基于钼靶图像的乳腺病变检测与识别方法研究

发布时间：2021-06-27 20:31

　　乳腺癌是女性中最常见的癌症,也是女性死亡的第二大原因。乳腺钼靶X光图像筛查可以提早乳腺癌被发现的时间,使医生可在乳腺癌早期尽快进行治疗。钼靶图像筛查主要依靠医生的观察,但图像的阅读对医生的临床经验要求较高,诊断结果往往也会受主观因素的影响。计算机辅助诊断系统可以通过帮助放射科医生来改善乳腺癌筛查效果。传统系统的特异性较低,放射科医生在使用计算机辅助系统时并未提高其筛查性能。通过使用深度神经网络机器学习算法的最新发展极大地改善了计算机视觉和医学成像模型的性能。乳腺肿块是乳腺癌的一个最重要的征兆,它们的自动检测识别对于预测癌症非常重要。因此,本文的主要研究内容是乳腺钼靶图像的分类、乳腺肿块检测和肿块分割。本文对乳腺钼靶X光图像进行良恶性分类,辅助医生进行筛查判断。由于钼靶图像分辨率高而肿块在图像中占比极小,本文提出了应用互注意力机制融合块特征和全局特征分类的方法。剪切图像块训练分类网络,网络用于生成块特征。在块特征提取网络上扩展网络深度,输入整张图像用于提取全局特征。以互注意力机制融合全局特征和块特征进行分类,以全局特征为指导学习块特征不同通道的重要程度,按照块特征的分布学习有利于分类的病... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图2-1分类网络结构

哈尔滨工业大学工学硕士学位论文-11-的特征更多，无法注意到病变的特殊性。裁剪的图像块中病变占比较高，训练图像块良恶性分类可以使特征提取网络注意到肿块病变的共性特征，有利于后续钼靶图像分类。块特征提取网络训练过程见图2-2。将乳腺钼靶图像缩放为1008×1568，围绕病变区域和正常区域裁剪224×224图像块，训练网络区分病变块良恶性。裁剪正常图像块时，比较左侧中心部分平均像素值和右侧中心部分平均像素值，像素值高一侧是乳腺侧。乳腺侧一半图像随机生成中心坐标，裁剪4个图像块，另一半图像随机裁剪2个图像块。裁剪病变块时，在每个病变中心周围矩形区域随机生成图像块中心，块内病变超过块的90%或者占整个病变超过90%则裁剪，重复这个过程直到每个病变裁剪出6块。训练损失应用两类交叉熵损失。图2-2块特征提取网络训练过程块特征提取网络的全连接层前面部分作为特征提取网络，整张图像切分应用该网络输出用于后续融合的块特征。整张图像块特征生成过程见图2-3，将输入图像用滑动窗口切分为图像块提取特征，输出特征按空间位置拼接成全图块特征。为了使块特征的感受野中心和全局特征的一致，将图像缩放到1008×1568后四周扩充112的0像素。使用步长为112的滑动窗口将图片分割为10×15个224×224的图像块，每个图像块通过块特征提取网络输出1×1×2048的块特征，将特征向量按照对应输入图像块原本的位置关系排列，获得10×15×2048的图像块特征，即为整张图像的块特征。

哈尔滨工业大学工学硕士学位论文-12-图2-3全图块特征生成过程2.2.2全局特征提取全局特征提取网络是由块分类网络扩展的结构，且训练在块分类网络的参数上进行微调。全局特征提取网络结构见图2-4。在块分类网络的特征提取部分后增加四个残差块，一个降通道数卷积和一个全连接层，形成全局特征提取分类网络。图2-4全局特征提取网络结构扩展层具体组成见表2-1。四个残差块形成两个分辨率，使特征提取网络有更大的感受野，学习全局性的语义信息。每个残差块结构与ResNet-50结构相似，包含3个卷积操作，每个分辨率第一个残差块差分通道应用一个卷积降采样，其他差分通道无操作，主干网络输出与差分通道输出按像素加和形成残差块输出。降通道数卷积连接全连接层使分类时即不损失过多特征计算量又不巨大，降通道数卷积相较于全局池化保留了一定的空间特征，相较于直接全连接又节省了计算量。

【参考文献】：
期刊论文
[1]基于全卷积神经网络迁移学习的乳腺肿块图像分割[J]. 徐胜舟,程时宇.  中南民族大学学报(自然科学版). 2019(02)
[2]基于多特征联合监督字典学习的乳腺图像分类[J]. 刘利卉,徐军,龚磊.  计算机工程. 2018(03)

博士论文
[1]多视角乳腺X线图像的乳腺癌检测与分类方法研究[D]. 李艳凤.北京交通大学 2015

硕士论文
[1]基于钼靶图像的乳腺肿瘤诊断若干关键性技术研究[D]. 陈珊.哈尔滨工业大学 2018
[2]基于CNN的乳腺癌钼靶影像病理学分级算法研究[D]. 海金金.战略支援部队信息工程大学 2018
[3]乳腺肿块检测和分析关键技术研究[D]. 其布尔.东北大学 2012



本文编号：3253559