深度学习在医学图像辅助诊断中的应用研究
发布时间：2021-01-26 15:46
医学图像是临床诊断中不可或缺的工具,但解读医学图像并给出诊断结论是劳动密集型工作,迫切需要一种高效的计算机辅助诊断系统,帮助临床医生更好的判读和决策。深度学习的最新进展,使我们能够重新思考基于医学图像的计算机辅助诊断方法,尽管临床正在接受基于深度学习的计算机辅助诊断实践,但是缺少具有可信赖标签的大型数据集,被认为是在医学图像计算机辅助诊断应用中,成功部署深度学习方法所面临的最大挑战之一。本文以乳腺超声图像计算机辅助诊断为切入点,围绕乳腺超声图像中的肿瘤定位检测、噪音标签样本学习、少样本学习、置信度校准进行研究。本文的主要贡献和创新点如下:（1）为了进行乳腺超声图像的肿瘤区域（ROI）检测,分析了最新的各种基于深度学习的目标检测框架,研究了如何利用深度学习方法对乳腺超声图像中的肿瘤区域进行检测。鉴于乳腺超声图像无开源数据集的问题,联合四川省人民医院超声科专家,收集及标注了用于乳腺超声图像肿瘤区域检测的数据集。在新收集的数据集上对适用于乳腺超声图像ROI检测的不同方法进行了系统的评估,并为新收集的数据集建立了基准。（2）为了解决具有噪音标签的乳腺超声图像ROI分类问题,本文提出一种标签分布...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：135 页
【学位级别】：博士
【部分图文】：
传统基于医学图像的计算机辅助诊断流程
当前在临床诊断过程中,乳腺超声图像的定位检测主要依赖于医生的经验。其过程如下:医生使用超声仪器找到一个合适的角度使肿瘤清晰地显示在屏幕上,然后用一只手长时间固定探头,用另一只手在屏幕上标记和测量肿瘤,标记效果如图2-1所示。这是一项艰巨的任务,因为握住探头手的轻微晃动会对乳腺超声图像的质量产生影响。基于以上所述,在超声图像采集过程中,急需高效自动定位检测肿瘤感兴趣区域的计算机辅助诊断方法。乳腺超声图像结构比较复杂,包含结缔组织、脂肪、肌肉等,肿瘤区域通常难于识别。超声检查比X射线检查更加依赖操作员的经验,并且解读超声图像需要训练有素且经验丰富的超声科医生,此外,即使训练有素的专家也可能具有较高的观察者间差异。肿瘤感兴趣区域(ROI)定义为包含病变和一些背景信息的矩形区域,因此高效自动定位肿瘤ROI对于提高临床诊断的速度和准确性非常有帮助。另外ROI生成方法可以作为分类方法的预处理步骤,因为它在保持肿瘤区域和附近的周围组织不变的同时切割多余的背景,对切割不合格的部分图像再手动调整,可以极大的节约人力。目前临床上乳腺超声图像的识别还是基于人工寻找并标记ROI,迫切需要一种自动定位检测肿瘤区域的计算机辅助诊断方法,乳腺超声图像的自动肿瘤定位检测主要面临如下挑战:
乳腺超声图像肿瘤检测与计算机视觉中的目标检测相似,希望能定位图像中出现的肿瘤位置,并将肿瘤区域标出,从而辅助医生快速、准确的分析病情。乳腺超声图像肿瘤检测的一般步骤如图2-2所示,本节接下来将介绍这几个步骤涉及到的关键性技术。2.2.1 候选框的生成和检索
【参考文献】：
期刊论文
[1]BING: Binarized normed gradients for objectness estimation at 300fps[J]. Ming-Ming Cheng,Yun Liu,Wen-Yan Lin,Ziming Zhang,Paul L.Rosin,Philip H.S.Torr. Computational Visual Media. 2019(01)
[2]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃. 自动化学报. 2017(08)
[3]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛. 计算机学报. 2014(06)
本文编号：3001378
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：135 页
【学位级别】：博士
【部分图文】：
传统基于医学图像的计算机辅助诊断流程
当前在临床诊断过程中,乳腺超声图像的定位检测主要依赖于医生的经验。其过程如下:医生使用超声仪器找到一个合适的角度使肿瘤清晰地显示在屏幕上,然后用一只手长时间固定探头,用另一只手在屏幕上标记和测量肿瘤,标记效果如图2-1所示。这是一项艰巨的任务,因为握住探头手的轻微晃动会对乳腺超声图像的质量产生影响。基于以上所述,在超声图像采集过程中,急需高效自动定位检测肿瘤感兴趣区域的计算机辅助诊断方法。乳腺超声图像结构比较复杂,包含结缔组织、脂肪、肌肉等,肿瘤区域通常难于识别。超声检查比X射线检查更加依赖操作员的经验,并且解读超声图像需要训练有素且经验丰富的超声科医生,此外,即使训练有素的专家也可能具有较高的观察者间差异。肿瘤感兴趣区域(ROI)定义为包含病变和一些背景信息的矩形区域,因此高效自动定位肿瘤ROI对于提高临床诊断的速度和准确性非常有帮助。另外ROI生成方法可以作为分类方法的预处理步骤,因为它在保持肿瘤区域和附近的周围组织不变的同时切割多余的背景,对切割不合格的部分图像再手动调整,可以极大的节约人力。目前临床上乳腺超声图像的识别还是基于人工寻找并标记ROI,迫切需要一种自动定位检测肿瘤区域的计算机辅助诊断方法,乳腺超声图像的自动肿瘤定位检测主要面临如下挑战:
乳腺超声图像肿瘤检测与计算机视觉中的目标检测相似,希望能定位图像中出现的肿瘤位置,并将肿瘤区域标出,从而辅助医生快速、准确的分析病情。乳腺超声图像肿瘤检测的一般步骤如图2-2所示,本节接下来将介绍这几个步骤涉及到的关键性技术。2.2.1 候选框的生成和检索
【参考文献】：
期刊论文
[1]BING: Binarized normed gradients for objectness estimation at 300fps[J]. Ming-Ming Cheng,Yun Liu,Wen-Yan Lin,Ziming Zhang,Paul L.Rosin,Philip H.S.Torr. Computational Visual Media. 2019(01)
[2]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃. 自动化学报. 2017(08)
[3]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛. 计算机学报. 2014(06)
本文编号：3001378
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3001378.html
