深度学习在乳腺癌磁共振诊断的探索性研究

发布时间：2021-07-14 15:17

　　第一章深度学习对乳腺癌磁共振图像的分类及定位目的:探讨在动态增强磁共振图像中,三维深度卷积神经网络（CNN）以弱监督的方式对乳腺癌的诊断和定位的价值。材料和方法:乳腺癌回顾性研究是在机构伦理审查委员会批准后进行的。该研究共纳入1537例乳腺动态增强MRI扫描和非脂肪抑制的平扫图像（平均年龄47.5岁±11.8）,包括女性1529人,男性8人,其中14个女性双侧都有孤立性病灶,共1551个病灶,包括恶性肿瘤1033个病灶,良性病变518个病灶;时间跨度从2013年3月到2017年12月。所有病例均有穿刺或手术的病理结果证实,影像学结果由具有10年以上经验的放射科医生团队给出具体的BI-RADS分类。先把乳腺MRI图像的数据做预处理,进行乳腺分割,用MRI的2D切片应用Frangi的方法来获得乳房-空气边界,胸肌边界以及乳腺和脂肪之间的边界。再进行一系列形态学处理,包括滤波切片的阈值处理,连通分量分析和空洞填充,最终获得每个2D切片中乳房区域的二元掩模。然后,我们堆叠所有切片的2D蒙板,并获得每个MRI体积数据的3D乳房分割掩模。接下来,我们使用3D高斯滤波器来平滑乳房蒙板。使用3D二元掩... 

【文章来源】：军事科学院北京市

【文章页数】：114 页

【学位级别】：博士

【部分图文】：

弱监督学习网络对乳腺癌定位及分类的框架流程

数据集标准化前后的强度直方图

第 40 页图 1. 3、MRI 图像和对应融合的热力图注：共显示了 3 个病例，每一排显示的是同一个病人的病灶典型层面。a 列显示的是磁共振图像，b 列显示的是 GAP 网络模型，c 列显示的是 GMP 网络。三例均为恶性肿瘤，且模型正确诊断。

【参考文献】：
期刊论文
[1]肿瘤医生眼中的人工智能[J]. 江泽飞,许凤锐.  精准医学杂志. 2018(01)
[2]The 7th lung cancer TNM classification and staging system:Review of the changes and implications[J]. Saeed Mirsadraee,Dilip Oswal,Yalda Alizadeh,Andrea Caulo,Edwin JR van Beek.  World Journal of Radiology. 2012(04)



本文编号：3284393