基于多模态特征融合的乳腺X线图像肿物良恶性预测
发布时间：2021-04-12 16:42
女性的生命健康严重受到乳腺高发恶性病变的威胁,尽早的发现与治疗将有效提升乳腺癌患者的生存率。乳腺X线摄影（Mammography）作为临床上进行良恶性病变筛查的首选方法。在常规乳腺癌诊断过程中,能否精确识别和诊断乳腺肿物的良恶性至关重要。肿物阴影是一种乳腺癌的常见征兆。良恶性肿物在其形态、边缘以及纹理等方面的差异已成为影像医师进行主观评估的重要依据。然而主观评估的方法严重依赖操作者的经验,加上医学影像病变误诊带来的影响,临床影像的诊断亟需一种自动诊断的方法。这在辅助医师进行乳腺肿物诊断方面意义重大。随着人工智能技术正积极投入医学领域,乳腺肿物辅助诊断已经成为研究热点。尽管人工智能技术具有众多优势并取得了长足发展,但乳腺肿物良恶性预测算法在多中心、标准化和可靠性等方面需要进一步完善。本文从基于手动设计特征的分析到深度特征的分析,并将手动设计特征、深层特征融合临床参数以改善乳腺X线图像肿物良恶性预测表现。论文的主要工作总结如下:首先,基于传统影像组学方法,本文进行乳腺X线图像肿物良恶性预测。肿物影像特征复杂多变,通过高通量的提取不同类型的差异性特征,将增加乳腺肿物良恶性之间纹理特征的可分性...
【文章来源】：济南大学山东省
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
乳腺X线成像（从左到右）：（1）乳腺X射线机；（2）乳腺X线图像
基于多模态特征融合的乳腺X线图像肿物良恶性预测4灰度游程矩阵(GrayLevelRun-lengthsMatrix,GLRLM)，局部二值模式（LocalBinaryPattern,LBP）等。手动设计的特征基于数学公式，该类分析不需要大数据集。根据数据集的体系结构和大小，该类特征的计算成本较高。目前，人工智能的最新进展趋向于基于深度学习的影像组学技术的发展。该方法能够提取具有极强表达能力的高层级特征。但往往并不是提取的所有特征都能实现有效的分类结果[12,13]。通过特征的选择(如图1.2所示)能够解决现实任务中特征冗余问题。因此需要从高维度数据中选择出重要的特征进行后续的学习过程。去除冗余的特征会大大降低对学习特征分类任务的复杂性和难度，同时也有利于提高对训练特征模型的分类计算效率，并避免过拟合的发生。图1.2特征选择基本框架特征选择分为以下两种方法。首先是受监督的方法。例如，peng等人[14]提出最大相关最小冗余(Max-RelevanceandMin-Redundancy,mRMR)算法，该算法对特征子集进行选择的过程与特征分类系统的决策无关。LVW(LasVegasWrapper)算法使用随机分类策略进行特征搜索，将分类误差作为评价准则。其次是无监督的方法。它旨在删除冗余特征来降低特征的维数，例如主成分分析和独立成分分析等算法。此类特征选择方法在数据没有真实标签的情况下使用是十分必要的。考虑在乳腺X线图像的诊断分析中，一是数据集较小，二是已有经病理证实的数据标签，因而有监督的方法较无监督的方法更适合此研究。(4)病变的诊断肿物的良恶性分类决策属于影像组学技术中的关键一步，是指将提取的影像组学特征用于乳腺癌症的诊断任务中。其结果直接关系到乳腺患者病情的诊断以及后续的治疗计划等。将提取的特征输入到分类器后，接下来就是通过分类器对数据进行挖掘与统
济南大学硕士学位论文15区域ROI，分割的前提是保证可疑区域包含其中的同时，尽可能的避免背景信息的干扰，ROI提取过程如图2.1所示。图2.1感兴趣区域提取在DICOM格式的图像上进行提取ROI之后，由公式2.1可知，通过一个线性函数将原始图像的灰度值转换至[0,1]的范围，并将DICOM格式保存为bmp格式。原图像的灰度值实现了等比例的缩放。其中Xnorm表示原灰度值X归一化后的数据，Xmax、Xmin分别表示ROI内最大的灰度值与最小的灰度值。提取的14例良、恶性ROI如图2.2所示。其中上排为7例良性，下排为7例恶性图像。minmaxminXnorm(X-X)/(X-X)(2.1)图2.2良恶性肿物图示2.2.3边界填充与数据增强由于医师标注的感兴趣区域遵循尽可能少的背景区域存在的原则，因此获取的感兴
【参考文献】：
期刊论文
[1]重视乳腺影像学技术的发展,提升乳腺癌影像学诊断水平[J]. 孙应实,曲玉虹. 中国医学影像技术. 2019(04)
[2]2018全球癌症统计报告解读[J]. 王宁,刘硕,杨雷,张希,袁延楠,李慧超,季加孚. 肿瘤综合治疗电子杂志. 2019(01)
[3]基于深度学习的胎儿颜面部超声标准切面自动识别[J]. 余镇,吴凌云,倪东,陈思平,李胜利,汪天富,雷柏英. 中国生物医学工程学报. 2017(03)
硕士论文
[1]基于钼靶X射线影像组学分析的乳腺癌临床诊断与预测模型研究[D]. 杨静波.西安电子科技大学 2019
[2]基于深度学习的乳腺肿瘤病理图像自动识别和分类研究[D]. 杨俊豪.南京航空航天大学 2019
本文编号：3133622
【文章来源】：济南大学山东省
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
乳腺X线成像（从左到右）：（1）乳腺X射线机；（2）乳腺X线图像
基于多模态特征融合的乳腺X线图像肿物良恶性预测4灰度游程矩阵(GrayLevelRun-lengthsMatrix,GLRLM)，局部二值模式（LocalBinaryPattern,LBP）等。手动设计的特征基于数学公式，该类分析不需要大数据集。根据数据集的体系结构和大小，该类特征的计算成本较高。目前，人工智能的最新进展趋向于基于深度学习的影像组学技术的发展。该方法能够提取具有极强表达能力的高层级特征。但往往并不是提取的所有特征都能实现有效的分类结果[12,13]。通过特征的选择(如图1.2所示)能够解决现实任务中特征冗余问题。因此需要从高维度数据中选择出重要的特征进行后续的学习过程。去除冗余的特征会大大降低对学习特征分类任务的复杂性和难度，同时也有利于提高对训练特征模型的分类计算效率，并避免过拟合的发生。图1.2特征选择基本框架特征选择分为以下两种方法。首先是受监督的方法。例如，peng等人[14]提出最大相关最小冗余(Max-RelevanceandMin-Redundancy,mRMR)算法，该算法对特征子集进行选择的过程与特征分类系统的决策无关。LVW(LasVegasWrapper)算法使用随机分类策略进行特征搜索，将分类误差作为评价准则。其次是无监督的方法。它旨在删除冗余特征来降低特征的维数，例如主成分分析和独立成分分析等算法。此类特征选择方法在数据没有真实标签的情况下使用是十分必要的。考虑在乳腺X线图像的诊断分析中，一是数据集较小，二是已有经病理证实的数据标签，因而有监督的方法较无监督的方法更适合此研究。(4)病变的诊断肿物的良恶性分类决策属于影像组学技术中的关键一步，是指将提取的影像组学特征用于乳腺癌症的诊断任务中。其结果直接关系到乳腺患者病情的诊断以及后续的治疗计划等。将提取的特征输入到分类器后，接下来就是通过分类器对数据进行挖掘与统
济南大学硕士学位论文15区域ROI，分割的前提是保证可疑区域包含其中的同时，尽可能的避免背景信息的干扰，ROI提取过程如图2.1所示。图2.1感兴趣区域提取在DICOM格式的图像上进行提取ROI之后，由公式2.1可知，通过一个线性函数将原始图像的灰度值转换至[0,1]的范围，并将DICOM格式保存为bmp格式。原图像的灰度值实现了等比例的缩放。其中Xnorm表示原灰度值X归一化后的数据，Xmax、Xmin分别表示ROI内最大的灰度值与最小的灰度值。提取的14例良、恶性ROI如图2.2所示。其中上排为7例良性，下排为7例恶性图像。minmaxminXnorm(X-X)/(X-X)(2.1)图2.2良恶性肿物图示2.2.3边界填充与数据增强由于医师标注的感兴趣区域遵循尽可能少的背景区域存在的原则，因此获取的感兴
【参考文献】：
期刊论文
[1]重视乳腺影像学技术的发展,提升乳腺癌影像学诊断水平[J]. 孙应实,曲玉虹. 中国医学影像技术. 2019(04)
[2]2018全球癌症统计报告解读[J]. 王宁,刘硕,杨雷,张希,袁延楠,李慧超,季加孚. 肿瘤综合治疗电子杂志. 2019(01)
[3]基于深度学习的胎儿颜面部超声标准切面自动识别[J]. 余镇,吴凌云,倪东,陈思平,李胜利,汪天富,雷柏英. 中国生物医学工程学报. 2017(03)
硕士论文
[1]基于钼靶X射线影像组学分析的乳腺癌临床诊断与预测模型研究[D]. 杨静波.西安电子科技大学 2019
[2]基于深度学习的乳腺肿瘤病理图像自动识别和分类研究[D]. 杨俊豪.南京航空航天大学 2019
本文编号：3133622
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3133622.html
最近更新
教材专著
