基于特征工程和深度学习的乳腺癌前哨淋巴结转移预测方法研究

发布时间：2020-11-20 13:42

　　 随着乳腺癌发病率的升高,对乳腺癌患者的预后进行精准预测是当前乳腺癌研究领域所面临的关键问题,其中乳腺癌淋巴结转移预测是乳腺癌预后预测的重要研究内容之一。准确地预测乳腺癌患者淋巴结是否转移对于患者的生存质量,指导临床医生制定准确又合适的治疗方案都有着重大意义。随着影像技术和计算机技术的发展,不少研究开始针对乳腺癌核磁共振图像进行数据分析,建立精准的预测模型来辅助临床治疗决策。本文在总结前人研究工作的基础上,分析当前病灶分割和前哨淋巴结转移预测领域的不足,进而提出了基于U-Net的多尺度感知分割网络、基于特征工程的分类预测模型和双路多尺度病灶感知网络。本文的主要贡献在于:首先,本文提出了多尺度感知分割网络。这个数据集存在以下难点:病灶周围组织和病灶区域对比度不够,病灶的毛刺多且不规则。为了解决上述问题,本文基于U-Net引入了空洞卷积,提出了多尺度感知模块。实验证明,针对比较难分割的样本,本文提出的多尺度感知分割网络可以更好地定位病灶位置以及勾画病灶区域,测试结果优于现有的最常用及性能优越的算法。其次,在充分调研国内外医学图像预测的研究后,本文采用特征工程来对前哨淋巴结转移进行预测。在提取手工特征的基础上,本文使用预训练的深度卷积网络VGG和ResNet来提取图像特征,并且采用特征金字塔的方法来整合VGG的高分辨率细节特征和高维语义特征,最后,结合手工特征和网络特征对比了多种特征选择算法和分类预测方法。最后,本文采用深度学习的方法来进行乳腺癌前哨淋巴结转移预测。本文提出了双路多尺度病灶感知网络,针对乳腺癌病灶和背景分别进行分析,每条支路结合了Inception和MSCAN模块,并在此基础上引入注意力机制,可以使网络的病灶分析支路更加集中于病灶区域的学习。
【学位单位】：华南理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R737.9;R445.2;TP18
【部分图文】：

图 1-1 Horowitz Pavlidis (HP2 & HP4)结果示例[4]基于边界的分割方法是图像分割的途径之一。边缘是区域之间的交界，是灰度级者结构突变的地方，所以边缘也可理解为灰度空间中突变像素的集合。图像边缘主要括方向和幅度这两个因素，通常会采用一阶导数和二阶导数来检测边缘。 将图像看

c) Prewitt 算子 d) Sobel 算子图 1-2 边缘算子[13]而上述提到的两种方法在处理图像当中都有优劣之处，于是就有研究尝试结合边提取和种子区域生长两种方法，来提高分割准确性和鲁棒性[18,19,20]。最近几年也有研

感知机神经元模型
【参考文献】

相关期刊论文 前1条

1 徐丽莹,孔祥泉,徐海波,刘定西,于群;乳腺癌MRI诊断的临床应用价值[J];临床放射学杂志;2004年01期

相关硕士学位论文 前1条

1 王超;基于影像组学的乳腺癌病灶分割及预后分析[D];哈尔滨理工大学;2017年

本文编号：2891495