基于医学先验的多尺度乳腺超声肿瘤实例分割方法

发布时间：2020-07-17 19:58

【摘要】：乳腺癌已经成为了女性致死率最高的癌症之一,近年来中国的乳腺癌发病率在持续上升。临床数据表明,早发现早治疗将大幅度提升患者的生存率。乳腺超声影像技术凭借着自身价格低廉和安全无侵入的特点逐渐成为乳腺癌诊断的主流方式。计算机辅助诊断系统的出现可以更好的辅助医生进行阅片和诊断,降低误诊率和漏诊率,在提升诊断的客观性和准确性方面效果显著。基于深度学习的乳腺超声图像分割技术在近年蓬勃发展,其精度已经远超传统方式,但仍有不足之处。目前主要存在以下问题,首先,对于单目标肿瘤分割,由于超声图像整体上对比度较低、噪声较强,且图像中常存在与肿瘤相似的低回声区域,容易出现分割结果偏移或错位的情况,同时分割结果较为粗糙,其边缘不够精细。其次,对于多目标肿瘤分割,当多个肿瘤目标距离较近时,模型难以将对象之间边界清晰分离,常导致其彼此粘连为一个整体;当肿瘤相距较远时,大多数模型只能分割出其中一部分目标,缺乏全局视野,易出现漏检情况。最后,主流模型在多尺度肿瘤检测问题上的表现不尽人意,图像中尺寸较小的肿瘤存在较高的漏检率,对于尺度较大的肿瘤则难以较好的实现完整分割。为了解决上述问题,本文针对于乳腺超声图像肿瘤自动分析任务,提出一种基于医学先验知识的多目标、多肿瘤分割方法。该方法在Mask R-CNN基础上分别对模型的输入模块、定位模块和输出模块做出了改进。本文方法可以全自动的定位并且分割出乳腺超声图像的肿瘤区域,主要研究工作可总结为以下方面:(1)改进特征金字塔网络(FPN)提升了模型的整体表现。首先修改了候选区域生成网络中锚框的尺寸以匹配乳腺超声图像数据集,使用小波变换与弹性形变来进行图像增强,以此形成具有良好表现的基线模型。针对FPN中输出的特征图金字塔层与层之间的关系,将五层输出进行特征融合均衡化,有效地将高层的语义信息同低层的位置信息融合起来,使每层具有相对均衡的特征信息,提升了模型的平均精度。(2)提出多尺度适应的乳腺超声肿瘤识别方法。首先结合相位一致性原理进行乳腺层定位,利用背景显著性生成肿瘤位置预测概率图,再将其与基线模型的概率图输出融合,得到经过医学先验知识约束后的肿瘤分割结果。然后使用空洞卷积替换候选区域生成网络(RPN)中的卷积层,再堆叠五层不同膨胀率的卷积构成层级金字塔RPN结构,增大感受野的同时使参数量保持不变,五路并行单独训练的方式能更好的感知到不同尺寸的目标,有效提升本模型在多尺度肿瘤分割问题上的表现,其中对小肿瘤检测准确率的提高约为2%。最后模型接入了全连接条件随机场进行协同训练,一定程度上改善了分割结果对于细节的表达,使其更加精细化。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R737.9;R445.1;TP391.41
【图文】：

特征图,模型检测,核心,过拟合

图 3-1 本文 Mask R-CNN 模型细节本文分别测试了将 Resnet18 和 Resnet50 作为模型核心骨架的不同表现，在保证不过拟合的前提下，Resnet50 模型检测效果稍好，最终核心骨架选择Resnet50 和特征金字塔网络。将原图输入 Resnet50 中，第一组卷积层的大小是64×7×7 后接极大值池化，第二组卷积层为 3 个步长均为 1 的卷积，卷积核大小分别为64×1×1、64×3×3和256×1×1，第三组卷积核大小分别为128×1×1、128×3×3和 512×1×1，第四组卷积核大小分别为 256×1×1、256×3×3 和 1024×1×1，第五组卷积核大小分别为 512×1×1、512×3×3 和 2048×1×1，由此输出特征图{ C2，C3，C4，C5}。随后本文实验将 P2 到 P6 特征图输入 RPN 网络，每一个特征图进行卷积核大小为 3×3 的卷积进行特征提炼，然后分别输入到两个并行的 1×1 卷积分别作分类和回归，得到的 RPN 结果候选框集合。目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框[54]。从每一个特征图的结果中选取 200 个分数最高的锚框，并进行阈值为 0.7 的非极大抑制，将 P2 到 P6 特征图的共计 1000 个锚框进行合并，从中选取得分最高的前 200 个

结构图,均衡化,结构图

进一步增加了深层次的低层信息。文献[62]提出了一种基于 SSD 的新型高效金字塔，它以高度非线性的方式集成了多层特征。这些方法检测精度的提升给我们带来启发，即底层的位置细节信息和高层的语义信息互为补充，都是最终检测分割任务不可缺少的输入，因此如何整合金字塔多层特征的信息决定了模型的整体表现。3.3.2 特征聚合均衡化在实验中发现 FCN 模型输出的 5 个特征图之间的特征信息是不平衡的。举例来说，P2 难以获得 P5 的丰富位置特征信息，P5 也较难充分获得 P2 的丰富语义信息。上文提到的方法大多通过修改结构，利用横向连接的方式聚合不同层特征。但是这些方法存在问题，首先是长距离信息流动导致信息损失，其次，顺序叠加方式使特征聚合局限在相邻特征层，然而实验证明所有层级的信息都有其各自的重要性。根据以上分析提出本节方法，首先将输出每层的特征缩放成相同尺度，再进行像素级的聚合均值化，然后再缩放回原尺度，更简单也更高效，结构如图 3-2 所示。

数据标定

有效的将底层信息和高层信息聚合在一起，通过均衡化的方强特征图信息的目的。数据集生成数据采集及标注为了验证乳腺肿瘤检测分割方法，本文使用由 617 张乳腺超声图像集，图像的平均尺寸为 600×480 像素，每一幅图像均由经验丰富的医生按照金标准进行手工标注。本实验使用的数据来自哈尔滨医科属医院，来自于两套系统：VIVID 7（GE）和 EUB-6500（Hitachi）。，所有病人信息数据都被严格保护。数据集采集和初步制作的结果如图 3-3 所示，具体步骤是先获取图廓边界，经过二值化处理后生成如图 3-3(b)的黑白图，将其作为模分支的 Ground Truth，并将标定的外接矩形框作为模型检测分支的 G，如图 3-3(c)所示。

【相似文献】