基于深度学习的DCE-MRI乳腺癌诊断及分子分型预测

发布时间：2020-06-27 08:13

【摘要】：随着社会经济发展与人民生活水平提高,人们对健康越来越重视,特别是对疾病精准快速诊断与个性化治疗。乳腺癌是对女性健康威胁最大的恶性肿瘤之一,动态对比增强磁共振成像(DCE-MRI)在乳腺癌早期检测和诊断方面已得到广泛应用。在乳腺癌诊断中,以乳腺DCE-MRI影像为对象的计算机辅助诊断(Computer Aided Diagnosis,CAD)系统是通过提取病灶区域的人工特征对病变情况进行辨别,这些人工特征提取需要丰富的经验且具有主观性。在乳腺癌治疗中,医生通常根据患者不同的乳腺癌分子分型制定不同的治疗方案,而乳腺癌分子分型的分类则是通过患者乳腺癌组织的免疫组化学结果进行确诊,其诊断过程操作复杂且有创伤性。受限于上述的乳腺癌诊疗方法,不能满足精准诊断与个性化治疗的需求。因此,对乳腺癌的诊疗方法需要进一步改进。目前深度学习方法可以自动学习图像中不同深度的特征,该方法已经广泛应用于模式识别的领域,并且取得了比传统提取人工特征方法更好的效果。基于现有深度学习的方法与经验,本文探索了卷积神经网络在DCE-MRI乳腺癌诊断及分子分型预测中的应用,主要研究内容如下:首先,本文根据医生标注的病灶信息,从原始DCE-MRI影像中提取包含病灶的目标图像,并通过放缩、旋转、滑动窗、镜像等方式对其进行数据扩充,将原始数据中的病灶特征尽可能地分布在扩充数据中,为深度学习计算准备数据。其次,本文针对实验数据特点,构建了二维卷积神经网络模型与三维卷积神经网络模型,通过分析不同维度的病灶特点,对乳腺肿瘤良恶性进行预测。实验结果表明,具有更多卷积层的二维卷积神经网络取得了更好的分类预测效果;在模型参数随机初始化的情况下,三维卷积神经网络在预测分类中效果更好;利用其它模型参数迁移初始化时,二维卷积神经网络预测分类的结果获得较大提升。最后,针对乳腺癌分子分型的预测问题,利用上述二维卷积神经网络与三维卷积神经网络,同时结合影像中时间维度的动态增强信息进行分类。实验结果表明,利用其他模型参数迁移初始化的二维卷积神经网络取得较好的预测结果。采用深度学习方法对乳腺癌良恶性进行分类预测取得较好效果,对乳腺癌分子分型进行分类预测效果不明显,但是这种通过影像预测乳腺癌分子分型的方法确实存在效果。本文探索了基于深度学习的DCE-MRI乳腺癌诊断及分子分型预测。深度学习方法对乳腺癌的良恶性分类取得了较好的结果;对乳腺癌分子分型的预测具有一定的预测效果,这种通过无创伤方式进行乳腺癌分子分型的预测具有潜在的价值。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R737.9;R445.2
【图文】：

模型图,生物神经元,数学抽象,模型

每个分叉又与其他的神经元的树突通过突触(synapses) 相连接。图2.1 右侧图是对左侧图中生物神经元的一种数学上的抽象模型。神经元通过树突接收到来自其他神经元传来的信号，这些输入信号通过带权重的连接进行传递, 在细胞核内进行汇总, 然后通过激活函数处理以产生神经元的输出。图 2.1 生物神经元与相应的数学抽象模型如果输入 x (0 1 2, , ,...,nx x x x )，权重为 w (0 1 2, , ,...,nw w w w )，则根据神经元模型其计算入过程可以理解为，已知 x 为输入样本，其中0x 的是常量值为 1， w 为神经元连接上的权重，b 为偏置项， y 为输入加权计算结果

多层神经网络,结构示意图

其结构如图2.2 所示，其功能是将一组输入向量映射到一组输出向量，换而言之就是一种函数关系表达式，输入向量是自变量，输出向量数因变量，而多层神经网络就是一个函数表达式实现的过程。多层神经网络能够表达复杂的函数关系，究其原因是其内在结构上包含了大量的神经节点，同时每个节点带有非线性激活函数，经过多层网络的结合，形成结构复杂，但功能强大的多层网络。因此，多层神经网络可以表示出复杂的函数表达。下文中介绍多层神经网络中的典型基本算法。图 2.2 多层神经网络结构示意图在多层神经网络中，比较有代表性的部分有激活函数、假设函数、Softmax 函数、损失函数、随机梯度下降、反向传播算法等，同时这些算法也是卷积神将网络中的基本算法。由于本文中所用的深度学习方法，即以卷积神经网络为核心，下文将对这些部分所设计的算法原理、数学原理方面进行阐述。

【参考文献】