基于机器学习的乳腺钼靶图像肿块检测技术研究

发布时间：2021-02-17 09:24

　　乳腺癌是世界范围内女性致死率最高的肿瘤之一,如何早期发现、规范化诊断、降低死亡率是全世界医学界所面临的重大挑战。乳腺钼靶图像分析是早期发现乳腺癌病变风险的重要手段,也是目前公认的最有效和最可靠的医疗检查方法,可以找到早期乳腺癌病变的相关线索,主要有肿块、微钙化和腺体结构变形等。配合早期的防治措施可以显著降低筛查人群的致癌率和死亡率,在乳腺钼靶图像成像设备与诊断系统普及较全面的发达国家,乳腺癌的存活率可达到80%以上,而在医疗卫生水平较落后的发展中国家,乳腺癌的存活率低于40%。因此,在目前医疗技术对乳腺癌尚无有效预防手段的情况下,如何早期发现乳腺癌是对抗乳腺癌的重要方法。近年来,随着计算机技术的飞速发展,使用计算机实现数字化辅助诊断系统已经成为医疗技术的发展趋势。利用计算机辅助医生进行乳腺癌诊断也成为了必然的发展趋势,数字化的乳腺钼靶图像不仅可以使用更清晰的图像分辨率,也更容易保存、检索和传输,而且计算机可以分析与识别出人眼不能利用的诊断信息。近年来有大量基于乳腺钼靶图像的计算机辅助检测技术被提出,已有部分应用于临床诊断,在最新的研究工作中,一些传统算法还存在着许多不足,有些局限于乳腺... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：139 页

【学位级别】：博士

【部分图文】：

CBIS-DDSM数据集和INBreast数据集的乳腺钼靶影像样例

在本CAD系统中,所采用的疑似区域定位方法是全卷积网络FCN,其跳跃连接的特征图和解码器中的特征图融合之后,输入到最终的反卷积层中的步长配置为8,所以在本实验中也称之为FCN-8s。由于输出热图中每个像素的取值范围是[0,1],选择9个阈值对热图取二值化掩码,其中CBIS-DDSM数据集的阈值分别为[0.01,0.02,0.05,0.1,0.2,0.5,0.8,0.9,0.95],INBreast数据集的阈值分别为[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9]。在CBIS-DDSM数据集上,使用更极端的阈值,以使得其FROC曲线能更好地展示阈值变化所带来的效果。为了说明FCN模型在疑似区域定位中的优势,选取多阈值方法[146]作为对比方法,该方法结合图像小波变换和遗传算法提取图像的多个阈值,对图像进行分割处理,是基于图像形态学分割的代表性方法。多阈值方法选择9个最优的阈值对乳腺钼靶影像做多层分割处理,在每一层中搜索疑似病灶区域,最后累积多个阈值下找出的所有疑似病灶区域。其中,更大的阈值对应着更低的TPR和更低的FPI。例如,多阈值方法在使用第5个阈值时,将收集第5个阈值到第9个阈值各个层中搜索到的疑似病灶区域。通过在不同的阈值上的评估,得到的FROC曲线的结果见图3-4。

多任务学习.基础对照组:在表3.1中,同样可以观察到多任务学习网络比基础对照组取得更优的AUROC指标。多任务网络在采取Inception-v3的基础架构和局部区域图像尺寸为349的配置时,都在CBIS-DDSM和INBreast数据集上取得了最优性能。其中,最优的多任务学习网络分别超出了最优的基础对照组0.0080和0.0097的AUROC指标。通过这一组对比,评估结果表明:1)利用分割任务提供的肿块轮廓信息,多任务学习网络可以学习到更佳的特征表达,可以提升肿块检测的性能;2)在多任务学习网络中使用Inception-v3的基础架构比VGG-16和ResNet-50的基础架构取得更好的性能。多背景多任务学习.所有对照组:如同预期,多背景多任务学习网络得出了比所有对照组更优的AUROC指标。在CBIS-DDSM和INBreast数据集上,在采取Inception-v3的基础架构和3输入流的配置时,多背景多任务学习网络得到的结果最优。另外,可以发现所有方法在INBreast数据集上的结果也优于CBIS-DDSM数据集上的结果,这是因为INBreast数据集的全数字化乳腺摄影技术得到的影像更清晰。在数值上,最优的多背景多任务学习网络分别超出了最优的基础对照组0.0192和0.0120的AUROC指标。为了更清晰地展现本方法优于对照方法,图3-5展示了最优多背景多任务学习网络与最优的所有对照组在CBIS-DDSM和INBreast数据集上的ROC曲线和AUROC指标。另外对本方法及图3-5中的对照方法进行了统计显著性测试。可以观察到本方法与基础对照组、多背景学习和多任务学习具有显著的差异,在CBIS-DDSM和INBreast数据集上分别取得了<<10-5和<10-5的P值。这一显著性的提升也表明多背景学习和多任务学习是兼容的,多背景多任务学习网络可以得到更优的特征表达。


本文编号：3037782