Outlining lesion contours in Ultra Sound (US) breast images is an important step in breast cancer diagnosis. Malignant lesions infiltrate the surrounding tissue, generating irregular contours, with spiculation and angulated margins, whereas benign lesions produce contours with a smooth outline and elliptical shape. In breast imaging, the majority of the existing publications in the literature focus on using Convolutional Neural Networks (CNNs) for segmentation and classification of lesions in mammographic images. In this study our main objective is to assess the ability of CNNs in detecting contour irregularities in breast lesions in US images. In this study we compare the performance of two CNNs with Direct Acyclic Graph (DAG) architecture and one CNN with a series architecture for breast lesion segmentation in US images. DAG and series architectures are both feedforward networks. The difference is that a DAG architecture could have more than one path between the first layer and end layer, whereas a series architecture has only one path from the beginning layer to the end layer. The CNN architectures were evaluated with two datasets. With the more complex DAG architecture, the following mean values were obtained for the metrics used to evaluate the segmented contours: global accuracy: 0.956; IOU: 0.876; F measure: 68.77%; Dice coefficient: 0.892. The CNN DAG architecture shows the best metric values used for quantitatively evaluating the segmented contours compared with the gold-standard contours. The segmented contours obtained with this architecture also have more details and irregularities, like the gold-standard contours.

中文翻译：

---

使用直接非循环图架构评估卷积神经网络在美国图像中乳腺病变自动分割中的性能

概述超声（美国）乳房图像中的病变轮廓是乳腺癌诊断的重要步骤。恶性病变浸润周围组织，产生不规则的轮廓，带有针刺和切角的边缘，而良性病变则产生轮廓平滑且呈椭圆形的轮廓。在乳腺成像中，文献中的大多数现有出版物都集中于使用卷积神经网络（CNN）对乳腺X线照片中的病变进行分割和分类。在这项研究中，我们的主要目的是评估CNN在美国图像中检测乳腺病变轮廓不规则的能力。在这项研究中，我们比较了两个具有直接非循环图（DAG）结构的CNN和一个具有系列结构的CNN在美国图像中进行乳房病变分割的性能。DAG和系列体系结构都是前馈网络。不同之处在于，DAG架构在第一层和结束层之间可能有一条以上的路径，而串行架构在从起始层到结束层之间只有一条路径。CNN架构使用两个数据集进行了评估。使用更复杂的DAG架构，获得了以下平均值，用于评估分段轮廓的度量标准：整体精度：0.956；借条：0.876; F值：68.77％; 骰子系数：0.892。CNN DAG体系结构显示了用于最佳评估分割轮廓和黄金标准轮廓的最佳度量值。用这种体系结构获得的分段轮廓还具有更多的细节和不规则性，例如金标准轮廓。不同之处在于，DAG架构在第一层和结束层之间可能有一条以上的路径，而串行架构在从起始层到结束层之间只有一条路径。CNN架构使用两个数据集进行了评估。使用更复杂的DAG架构，获得了以下平均值，用于评估分段轮廓的度量标准：整体精度：0.956；借条：0.876; F值：68.77％; 骰子系数：0.892。CNN DAG体系结构显示了用于最佳评估分割轮廓和黄金标准轮廓的最佳度量值。用这种体系结构获得的分段轮廓还具有更多的细节和不规则性，例如金标准轮廓。不同之处在于，DAG架构在第一层和结束层之间可能有一条以上的路径，而串行架构在从起始层到结束层之间只有一条路径。CNN架构使用两个数据集进行了评估。使用更复杂的DAG架构，获得了以下平均值，用于评估分段轮廓的度量标准：整体精度：0.956；借条：0.876; F值：68.77％; 骰子系数：0.892。CNN DAG体系结构显示了用于最佳评估分割轮廓和黄金标准轮廓的最佳度量值。用这种体系结构获得的分段轮廓还具有更多的细节和不规则性，例如金标准轮廓。