Resumen

La segmentación de tumores de mama desempeña un papel crucial en el posterior diagnóstico de la enfermedad, y la mayoría de los algoritmos necesitan una interacción previa para localizar primero los tumores y realizar la segmentación basándose en candidatos centrados en el tumor. En este trabajo, proponemos una red totalmente convolucional para lograr la segmentación automática del tumor de mama de extremo a extremo. Teniendo en cuenta la diversidad de formas y tamaños de los tumores malignos en las mamografías digitales, introducimos información de imagen multiescala en la arquitectura de red densa totalmente convolucional para mejorar la precisión de la segmentación. Se concatenan múltiples frecuencias de muestreo de la convolución atrófica para adquirir diferentes campos de visión de las características de la imagen sin añadir un número adicional de parámetros para evitar el sobreajuste. También se emplea una función de pérdida ponderada durante el entrenamiento en función de la proporción de píxeles tumorales en toda la imagen, con el fin de debilitar el problema de las clases desequilibradas. Las comparaciones cualitativas y cuantitativas demuestran que el algoritmo propuesto puede lograr la segmentación automática de tumores y tiene una alta precisión de segmentación para imágenes tumorales de diversos tamaños y formas sin preprocesamiento ni postprocesamiento.

• Materias:Análisis de espectro Organización modular Diagnóstico automatizado Monitoreo Servicios de salud
• Subjects:Spectrum analysis Modular organization Automated diagnostics Monitoring Health services
• Palabras claves:Arquitectura de red densa convolucional, Segmentación de tumores de mama, Múltiples frecuencias de muestreo, Función de pérdida ponderada, Segmentación automática de tumores, Alta precisión de segmentación, Información de imagen multiescala, Diagnóstico posterior de enfermedades, Problema de clases desequilibradas, Número adicional.
• Keywords:convolutional dense network architecture, Breast tumor segmentation, Multiple sampling rates, Weighted loss function, automatic tumor segmentation, high segmentation precision, multiscale image information, subsequent disease diagnosis, unbalanced classes problem, additional number