基于深度卷积网络的乳腺DCE-MRI肿瘤区域自动分割

发布时间：2021-01-27 11:10

　　乳腺癌作为一种在女性群体中发病率以及死亡率都非常高的疾病,对于众多女性有着很大的健康威胁。在DCE-MRI众多应用中,定量化描述乳腺肿瘤二维直径和三维体积具有很重要的临床价值,例如新辅助化疗通过判断不同时期肿瘤病灶区域二维直径和三维体积的变化来评估治疗的效果和对治疗的反应以指导患者的后续治疗。肿瘤区域的自动分割是也是定量评估乳腺恶性肿瘤程度的关键组成部分,比如通过运用影像学定量分析肿瘤区域二维或三维的形态,肿瘤区域内的纹理等等特征,这些都非常依赖于肿瘤区域的二维或三维分割。然而,目前大部分影响学的研究所得到的精准的肿瘤区域分割仍然依赖于医生手动标记,这对于医生来说耗时耗力。因此研究肿瘤区域的二维和三维自动分割算法对辅助医生的诊断和治疗以及影像学研究都具有重要的作用。目前影像学研究主要根据医生手动标记的肿瘤最大横截面来分析,朝着这个目标,本文首先提出了一种基于深度卷积神经网络的方法实现了乳腺肿瘤最大横截面的二维分割,该方法通过深度检测网络先粗检测出乳腺肿瘤的大致区域,然后将这个区域提取出来送入深度分割网络进行精准分割。该方法在260张二维测试集中的平均Dice系数为0.81,平均特异度为... 

【文章来源】：南京信息工程大学江苏省

【文章页数】：51 页

【学位级别】：硕士

【部分图文】：

018全球女性癌症发病率和死亡率示意图

(a) (b)图 1.2 肿块型和非肿块型肿瘤医生标记图，(a)是肿块型，(b)是非肿块型。在 DCE-MRI 众多应用中，新辅助化疗和术前化疗由于能预防和阻止疾病的系统播越来越被用于治疗局部晚期乳腺癌，不仅能通过缩小较大的肿瘤来进行更多的保术，而且也有助于确定哪些患者对治疗无法作出反应，从而更早改变治疗策略来避者接受可能的无效治疗[8-9]。新辅助化疗其中一个优点是可以观察治疗期间肿瘤的以评估治疗效果，所以通过治疗期间肿瘤大小的明显变化进行临床检查是医生监测效果的最常用方法，而且治疗期间临床反应也被认为是预后的重要因素[10]。新辅助治疗反应的研究大部分是通过测量在一个或两个维度的直径来量化了肿范围或大小[11-12]。而目前这些新辅助化疗研究算法都是建立在医生手工标记的数据础上，这些数据标记工作对于医生有着很大的挑战，同时不同医生由于经验的不同实现一致性，所以开发一套能够自动分割乳腺肿瘤区域的系统不仅能减轻医生的工

无疑对医生减轻工作量以及影像学研究的开展有非常大的帮助。然而，自动的乳腺肿瘤分割仍然面临着许多挑战：（1）乳腺肿瘤目标小而边界复杂；（2）乳腺肿瘤有肿块和非肿块之分，两者差异巨大。因为这些原因，研究人员利用传统方法主要对肿块型乳腺肿瘤分割工作进行研究，几乎没有工作对肿块型和非肿块型乳腺肿瘤进行一致性分析。而且传统分割方法有的需要人工调参，有的分割速度较慢，因此很难实现快速、完全的自动分割，而深度学习由于其自身优势在乳腺肿瘤自动分割工作中前景巨大。深度学习虽说可以实现乳腺肿瘤分割，但也存在问题，比如乳腺肿瘤本身占整张图片的比例很小，因此当直接输入整张图片到分割网络中时，由于无用信息过多，对于卷积神经网络学习特征有着很大的影响，最终分割结果很差。因此，针对这些问题，本章设计了一种新思路，主要思想是利用深度检测网络先检测出乳腺肿瘤的大致位置，然后根据检测框选择乳腺肿瘤图像块，再将乳腺肿瘤图像块送入深度分割网络进行精准分割，即一种先粗检测后精分割的思想，具体示意图如图 3.1 所示。


本文编号：3002948