ABUS, or Automated breast ultrasound, is an innovative and promising method of screening for breast examination. Comparing to common B-mode 2D ultrasound, ABUS attains operator-independent image acquisition and also provides 3D views of the whole breast. Nonetheless, reviewing ABUS images is particularly time-intensive and errors by oversight might occur. For this study, we offer an innovative 3D convolutional network, which is used for ABUS for automated cancer detection, in order to accelerate reviewing and meanwhile to obtain high detection sensitivity with low false positives (FPs). Specifically, we offer a densely deep supervision method in order to augment the detection sensitivity greatly by effectively using multi-layer features. Furthermore, we suggest a threshold loss in order to present voxel-level adaptive threshold for discerning cancer vs. non-cancer, which can attain high sensitivity with low false positives. The efficacy of our network is verified from a collected dataset of 219 patients with 614 ABUS volumes, including 745 cancer regions, and 144 healthy women with a total of 900 volumes, without abnormal findings. Extensive experiments demonstrate our method attains a sensitivity of 95% with 0.84 FP per volume. The proposed network provides an effective cancer detection scheme for breast examination using ABUS by sustaining high sensitivity with low false positives. The code is publicly available at https://github.com/nawang0226/abus_code.

中文翻译：

---

具有阈值丢失的深度监控网络，用于自动乳房超声检查中的癌症检测。

ABUS或自动乳房超声检查是一种新颖且很有前途的筛查乳房检查方法。与普通的B模式2D超声相比，ABUS可以获得与操作员无关的图像，还可以提供整个乳房的3D视图。但是，检查ABUS图像特别耗时，并且可能会因疏忽而出错。对于本研究，我们提供了一种创新的3D卷积网络，该网络用于ABUS进行自动癌症检测，以加快审查速度，同时获得高检测灵敏度和低假阳性（FP）。具体来说，我们提供了一种密集的深度监控方法，以通过有效使用多层功能大大提高检测灵敏度。此外，我们建议使用阈值损失，以呈现可区分癌症与非癌症的体素水平适应性阈值，从而可以实现高灵敏度和低假阳性率。收集到的219个患者的614个ABUS量（包括745个癌症区域）和144位健康的女性（共900个量）的数据集证实了我们网络的有效性，没有发现异常。大量实验表明，我们的方法每体积0.84 FP可获得95％的灵敏度。拟议的网络通过维持高灵敏度和低假阳性率，为使用ABUS的乳房检查提供了有效的癌症检测方案。该代码可从https://github.com/nawang0226/abus_code公开获得。收集到的219个患者的614个ABUS量（包括745个癌症区域）和144位健康的女性（共900个量）的数据集证实了我们网络的有效性，没有发现异常。大量实验表明，我们的方法每体积0.84 FP可获得95％的灵敏度。拟议的网络通过维持高灵敏度和低假阳性率，为使用ABUS的乳房检查提供了有效的癌症检测方案。该代码可从https://github.com/nawang0226/abus_code公开获得。收集到的219个患者的614个ABUS量（包括745个癌症区域）和144位健康的女性（共900个量）的数据集证实了我们网络的有效性，没有发现异常。大量实验表明，我们的方法每体积0.84 FP可获得95％的灵敏度。拟议的网络通过维持高灵敏度和低假阳性率，为使用ABUS的乳房检查提供了有效的癌症检测方案。该代码可从https://github.com/nawang0226/abus_code公开获得。拟议的网络通过维持高灵敏度和低假阳性率，为使用ABUS的乳房检查提供了有效的癌症检测方案。该代码可从https://github.com/nawang0226/abus_code公开获得。拟议的网络通过维持高灵敏度和低假阳性率，为使用ABUS的乳房检查提供了有效的癌症检测方案。该代码可从https://github.com/nawang0226/abus_code公开获得。