条件GAN（cGAN）+AtrousConvolution（AC）+ChannelAttentionwithWeightedBlocks（CAW）。本文提出了一种基于深度对抗学习（cGAN+AC+CAW）的超声图像乳腺肿瘤分割与分类方法。一个很新颖的想法。论文基本上综合了当时所有可以综合的技术，取得了不错的效果，非常值得一读。此外，论文还提出了一个典型的对抗损失。SSIM和l1-norm损失作为损失函数。使用cGAN+AC+CAW生成器G进行语义分割生成器网络由编码器部分组成：由七个卷积层（En1到En7）和解码器部分组成：由七个反卷积层（Dn1到Dn7）组成。在En3和En4之间插入一个空洞卷积块。扩张率为1、6和9，核大小为3×3，步幅为2。在En7和Dn1之间还有一个带有通道加权(CAW)块的通道注意层。CAW块是通道注意块(DAN)和通道加权块(SENet)的集合，它增加了生成器网络最高级别特征的表示能力。鉴别器D是一系列卷积层。鉴别器的输入是图像和标记肿瘤区域的二进制掩码的串联。鉴别器的输出是一个10×10的矩阵，其值范围从0.0（完全假的）到1.0（真实的）。损失函数生成器G的损失函数由三项组成：对抗性损失（二元交叉熵损失）、促进学习过程的l1范数和改善分割掩码边界形状的SSIM损失：其中z是一个随机变量。判别器D的损失函数为：使用随机森林进行分类任务，将每张图像输入训练好的生成网络，得到肿瘤边界，然后从边界计算出13个统计特征：分形维数、腔隙度、凸包、凸度、圆度、面积、周长、质心、短轴和长轴长度、平滑度、胡矩（6）和中心矩（3阶及以下）采用穷举特征选??择（Exhaustivefeatureselection）算法选择最优特征集。EFS算法表明，分形维数、空隙度、凸包和质心是四个最优特征。这些选定的特征被输入到随机森林分类器中，然后对其进行训练以区分良性和恶性肿瘤。结果比较分割数据集包含图像中包含的150个恶性肿瘤和100个良性肿瘤。为了训练模型，将数据集随机分为训练集（70%）、验证集（10%）和测试集（20%）。该模型（cGAN+AC+CAW）在所有指标上都优于其他模型。它的Dice和IoU得分分别为93.76%和88.82%。论文模型的IoU和Dice与FCN、SegNet、ERFNet和U-Net的箱线图进行对比。该模型的Dice系数范围为88%到94%，IoU范围为80%到89%，而其他深度分割方法FCN、SegNet、ERFNet和U-Net的范围更大。分割结果如上图所示，SegNet和ERFNet产生的结果最差，有大量的假阴性区域（红色），也有一些假阳性区域（绿色）。虽然U-Net、DCGAN和cGAN提供了良好的分割，但本文提出的模型提供了更准确的乳腺肿瘤边界分割。分类提出的乳腺肿瘤分类方法优于[9]，总体准确率为85%。
