論文推薦：基于深度對抗學習的超聲圖像乳腺腫瘤分割與分類
條件GAN (cGAN) + Atrous卷積(AC) +帶權重塊的通道注意力(CAW)。
該論文提出了一種基于深度對抗學習的超聲圖像乳腺腫瘤分割分類方法（cGAN+AC+CAW），論文雖然是2019年提出的，但是他提出了使用GAN進行分割的方法在當時來說卻是一個非常新奇的想法，該論文基本上把所有當時能夠整合的技術全部進行了集成，并且還取得了很好的效果，所以是非常值得我們一讀的，此外論文還提出了具有典型對抗損失的SSIM和l1范數損失作為損失函數。
使用 cGAN+AC+CAW 進行語義分割
生成器G
生成器網絡包含一個編碼器部分：由七個卷積層(En1到En7)和一個解碼器：七個反卷積層(Dn1到Dn7)組成。
在En3和En4之間插入一個atrous卷積塊。膨脹率1、6和9，內核大小3×3，步長為2。
在En7和Dn1之間還有一個帶通道加權(CAW)塊的通道注意力層。
CAW塊是通道注意模塊(DAN)和通道加權塊(SENet)的集合，它增加了生成器網絡最高級別特征的表示能力。
鑒別器D
它是一個卷積層的序列。
鑒別器的輸入是圖像和標記腫瘤區域的二值掩模的拼接。
鑒別器的輸出是一個10×10矩陣，其值從0.0(完全假的)到1.0(真實的)不等。
損失函數
生成器G的損失函數包括三個項:對抗性損失(二元交叉熵損失)、促進學習過程的l1 -范數和改善分割掩碼邊界形狀的SSIM損失:
其中z是一個隨機變量。鑒別器D的損失函數為:
使用隨機森林進行分類任務
將每一張圖像輸入經過訓練的生成網絡，獲得腫瘤邊界，然后從該邊界計算13個統計特征: fractal dimension, lacunarity, convex hull, convexity, circularity, area, perimeter, centroid, minor and major axis length, smoothness, Hu moments (6) and central moments (order 3 and below)
采用窮舉特征選擇(Exhaustive feature selection),算法來選擇最優的特征集。EFS算法表明， fractal dimension, lacunarity, convex hull, centroid是最優的4個特征。
這些選擇的特征被輸入一個隨機森林分類器，然后訓練該分類器來區分良性和惡性腫瘤。
結果對比
分割
數據集包含圖像中包含的150個惡性腫瘤和100個良性腫瘤。為了訓練的模型，將數據集隨機分為訓練集(70%)、驗證集(10%)和測試集(20%)。
該模型(cGAN+AC+CAW)在所有指標上都優于其他模型。其Dice和IoU得分分別為93.76%和88.82%。
論文模型的IoU和Dice與FCN、SegNet、ERFNet和U-Net等分割頭的箱線圖對比。
該模型對Dice系數的取值范圍為88% ~ 94%，對IoU的取值范圍為80% ~ 89%，而其他深度分割方法FCN、SegNet、ERFNet和U-Net的取值范圍更大。
分割結果如上圖所示，SegNet和ERFNet產生的結果最差，有大量的假陰性區域(紅色)，以及一些假陽性區域(綠色)。
而U-Net, DCGAN, cGAN提供了很好的分割，論文提出的模型提供了更精確的乳腺腫瘤邊界分割。
分類
所提出的乳腺腫瘤分類方法優于[9]，總準確率達85%。
