Bewertung der Segmentierungsleistung durch den Dice-Index: Ergebnisse und Analysen von CNN-Architekturen und aktiven Konturen

Optimierung der Bildsegmentierung bei Brustultraschallbildern: Eine Analyse von Deep Learning und aktiven Konturen

Die Bildsegmentierung ist ein entscheidender Schritt in der medizinischen Bildverarbeitung, insbesondere bei der Analyse von Brustultraschallbildern. In diesem Beitrag untersuchen wir die Verwendung des Dice-Indizes (DI) zur Bewertung der Segmentierungsleistung und bieten einen Überblick über unsere Forschungen und Ergebnisse.

Dice-Index zur Leistungsbewertung

Der Dice-Index, definiert durch die Formel ( DI = \frac{2 \cdot TP}{2 \cdot TP + FP + FN} ), ist eine bewährte Metrik zur Bewertung von Segmentierungsalgorithmen. Hierbei stehen (TP), (FP) und (FN) für die Anzahl wahrer positiver, falscher positiver und falscher negativer Pixel. Aufgrund seiner hohen Zuverlässigkeit bei der Schätzung räumlicher Überlappungen ist der Dice-Index besonders effektiv, wenn es um die Segmentierung kleiner Objekte geht.

Examinierung der CNN-Architektur

Wir haben vier Varianten der Autoencoder-CNN-Architektur getestet und uns für das Modell mit der besten Leistung entschieden. Es stellte sich heraus, dass die Netzwerke in der Tiefe und Anzahl der Faltungsfilter variieren, wobei das optimierte Modell (Struktur II) die höchste Median- und Drittquartilswerte des Dice-Index aufwies.

Die Analyse der verschiedenen Bildauflösungen ergab, dass eine Auflösung von (128\times 128) Pixeln ideal für die Segmentierung ist. Größere Bilder führten zu höheren Rechenanforderungen, ohne die Leistung signifikant zu steigern.

Verwendung von GradCAM zur qualitativen Evaluation

Zur weiteren Unterstützung unserer quantitativen Bewertungen setzten wir die Gradient-weighted Class Activation Mapping (Grad-CAM) Methode ein, um qualitative Einblicke in die Segmentierungsergebnisse der CNNs zu erhalten. Diese Methode zeigte, dass die Netzwerke sich stark auf die Lesionsmitten konzentrieren – ein wesentliches Merkmal, das in klinischen Situationen von Bedeutung ist.

Analyse des aktiven Konturs

Unsere Studien umfassten auch die Analyse aktiver Konturen, insbesondere den Vergleich zwischen dem Chan-Vese-Modell und dem GAC-Modell. Hierbei passten wir die Parameter wie den Kontraktionsbias (CB) und den Glättungsfaktor (SF) an, um die bestmöglichen Ergebnisse zu erzielen. Letztendlich entschieden wir uns für das Chan-Vese-Modell mit spezifischen Parametern, das eine beeindruckende Median-Dice-Index von 0,856 erzielte.

Vergleich mit aktuellen Lösungen

Bei der Gegenüberstellung mit aktuellen state-of-the-art Lösungen zeigte unsere Methode mit einem Dice-Index von 0,79 (Median 0,86) vielversprechende Ergebnisse. Insbesondere unser Ansatz bietet eine robuste Segmentierung, die zukünftige Analysen zur Gewebe- und Tumordetektion unterstützen kann.

Fazit und Ausblick

Unsere Untersuchungen legen nahe, dass die Kombination von Deep Learning und aktiven Konturen effektive Tools für die Bildsegmentierung in der medizinischen Diagnostik sind. Zukünftige Forschung könnte sich darauf konzentrieren, diese Methodiken weiter zu optimieren, insbesondere für die Anwendung in der 3D-Bildanalyse und in fortgeschrittenen Diagnoseverfahren. Durch die Möglichkeit, Tumormengen in 3D zu rekonstruieren und zu messen, eröffnen wir vielversprechende Perspektiven für die Brustkrebsdiagnostik.

Für mehr Einblicke und Informationen zu unseren Ergebnissen und Methoden besuchen Sie bitte die Originalstudie.