Breast cancer has become the biggest threat to female health. Ultrasonic diagnosis of breast cancer based on artificial intelligence is basically a classification of benign and malignant tumors, which does not meet clinical demand. Besides, the current target detection method performs poorly in detecting small lesions, while it is clinically required to detect nodules below 2 mm. The objective of this study is to (a) propose a diagnostic method based on Breast Imaging Reporting and Data System (BI-RADS) and (b) increase its detectability of small lesions. We modified the framework of Faster R-CNN (Faster Region-based Convolutional Neural Network) by introducing multi-scale feature extraction and multi-resolution candidate bound extraction into the network. Then, it was trained using 852 images of BI-RADS C2, 739 images of C3, and 1662 images of malignancy (BI-RADS 4a/4b/4c/5/6). We compared our model with unmodified Faster R-CNN and YOLO v3 (You Only Look Once v3). The mean average precision (mAP) is significantly increased to 0.913, while its average detection speed is slightly declined to 4.11 FPS (frames per second). Meanwhile, its detectivity of small lesions is effectively improved. Moreover, we also tentatively applied our model on video sequences and got satisfactory results. We modified Faster R-CNN and trained it partly based on BI-RADS. Its detectability of lesions, as well as small nodules, was significantly improved. In view of wide coverage of dataset and satisfactory test results, our method can basically meet clinical needs.

中文翻译：

---

使用改进的 Faster R-CNN 对乳腺结节进行超声诊断

乳腺癌已成为女性健康的最大威胁。基于人工智能的乳腺癌超声诊断基本属于良恶性肿瘤的分类，不符合临床需求。此外，目前的目标检测方法在检测小病灶方面表现不佳，而临床上需要检测2mm以下的结节。本研究的目的是 (a) 提出一种基于乳房成像报告和数据系统 (BI-RADS) 的诊断方法，以及 (b) 提高​​其对小病变的检测能力。我们通过在网络中引入多尺度特征提取和多分辨率候选边界提取，修改了 Faster R-CNN（Faster Region-based Convolutional Neural Network）的框架。然后，使用 BI-RADS C2 的 852 张图像、C3 的 739 张图像、和 1662 张恶性肿瘤图像 (BI-RADS 4a/4b/4c/5/6)。我们将我们的模型与未修改的 Faster R-CNN 和 YOLO v3（您只看一次 v3）进行了比较。平均平均精度 (mAP) 显着提高至 0.913，而其平均检测速度略微下降至 4.11 FPS（每秒帧数）。同时，有效提高了其​​对小病灶的检测能力。此外，我们还尝试将我们的模型应用于视频序列并获得了令人满意的结果。我们修改了 Faster R-CNN，并部分基于 BI-RADS 对其进行了训练。其对病变以及小结节的检测能力显着提高。鉴于数据集覆盖面广，测试结果令人满意，我们的方法基本可以满足临床需求。平均平均精度 (mAP) 显着提高至 0.913，而其平均检测速度略微下降至 4.11 FPS（每秒帧数）。同时，有效提高了其​​对小病灶的检测能力。此外，我们还尝试将我们的模型应用于视频序列并获得了令人满意的结果。我们修改了 Faster R-CNN 并部分基于 BI-RADS 对其进行了训练。其对病变以及小结节的检测能力显着提高。鉴于数据集覆盖面广，测试结果令人满意，我们的方法基本可以满足临床需求。平均平均精度 (mAP) 显着提高至 0.913，而其平均检测速度略微下降至 4.11 FPS（每秒帧数）。同时，有效提高了其​​对小病灶的检测能力。此外，我们还尝试将我们的模型应用于视频序列并获得了令人满意的结果。我们修改了 Faster R-CNN 并部分基于 BI-RADS 对其进行了训练。其对病变以及小结节的检测能力显着提高。鉴于数据集覆盖范围广，测试结果令人满意，我们的方法基本可以满足临床需求。我们还试探性地将我们的模型应用于视频序列并获得了令人满意的结果。我们修改了 Faster R-CNN 并部分基于 BI-RADS 对其进行了训练。其对病变以及小结节的检测能力显着提高。鉴于数据集覆盖面广，测试结果令人满意，我们的方法基本可以满足临床需求。我们还试探性地将我们的模型应用于视频序列并获得了令人满意的结果。我们修改了 Faster R-CNN 并部分基于 BI-RADS 对其进行了训练。其对病变以及小结节的检测能力显着提高。鉴于数据集覆盖面广，测试结果令人满意，我们的方法基本可以满足临床需求。