基于AI的超声成像在乳腺肿块检测与良恶性鉴别诊断中的应用研究

发布时间：2021-08-26 06:41

　　目的:探讨AI技术对超声成像中乳腺肿块的智能化检测与良恶性判定的应用价值,同时求证AI技术是否有助于提高初、中级医师对乳腺肿块良恶性鉴别诊断的水平。方法:回顾性收集2017年6月至2019年4月在大连大学附属中山医院以乳腺肿块为主要就诊原因并经活检、手术病理等证实的患者401例。其中,良性204例（占50.9%）,恶性197例（占49.1%）,年龄范围18-89岁,平均年龄（48.8±13.9）岁。原始超声图像（包含单幅图像和组合图像共582幅）采集完成后,由AI研究人员先对其预处理,然后由1名主任医师和1名住院医师共同对预处理后得到的697幅图像中所有乳腺肿块进行标注,并随机抽选348幅作为本研究训练集的一部分（训练集中其他超声图像来自于外院）,剩余的349幅作为测试集。本研究采用的AI模型是基于深度学习（DL）方法的卷积神经网络（CNN）中经改进的RFBNet模型。接下来1名住院医师（与标注肿块的住院医师为同一位）和1名主治医师分别在无AI预测结果辅助条件下对349幅测试集图像进行诊断,与此同时,AI研究人员用外院提供的3568幅超声图像与本院随机选出的348幅图像共同训练本研究所... 

【文章来源】：遵义医科大学贵州省

【文章页数】：41 页

【学位级别】：硕士

【部分图文】：

超声图像ROI提取过程

遵义医科大学硕士学位论文罗燕13标注审核工作完成后，采用PNG图像格式保存包含mask区域的二值图像（即肿块区域为白色，其他组织区域为黑色），因为相较于JPG格式，PNG格式对图像质量的损失更校然后AI研究人员再借助标注的mask反算bounding-box（在获得每幅图像中乳腺肿块对应mask后，通过计算mask区域的最小外接矩形作为bounding-box的真值），最后将其严格按照VOC数据集的标准保存为XML格式的文件。1.3.3乳腺肿块检测与分类模型本研究检测与分类采用的DL算法是CNN中的RFBNet模型，该模型可在兼顾整体速度的同时还能达到较好的效能。针对乳腺超声图像独有的特点，AI研究人员对RFBNet模型的网络结构进行了一定程度改进和优化，基本网络结构如图2所示。图2基本网络结构示意图在RFBNet模型的网络结构上进行改进如下：（1）由于本研究乳腺超声图像中目标肿块数量少（仅为一个），且只有两类（良性和恶性），将NMS的阈值适当地调高，从而减少NMS操作、提升算法速度；（2）最初的RFBNet模型中，损失函数对自然图像的检测与分类有较好结果，但是对于本研究的乳腺超声图像，待检测与分类目标仅为一个，不存在多个目标肿块，也不存在多个重叠肿块，因此，本研究对损失函数做了一定调整：Lω,pi,pi*=1NclsiLclspi,pi*+λ1Nregipi*Lregti,ti*其中，ω是模型中所有的参数，i是每幅图中生成的第i个bounding-box，pi是第i个bounding-box的肿块的预测概率，ti是第i个bounding-box矩形框的位置坐标；L代表损失函数，N代表个数，λ是权重系数，Lcls是分类任务的损失函数，Lreg是检测任务的损失函数，Ncls是分类任务的个数，Nreg是检测任务的个数；pi*和ti*分别是pi和ti

遵义医科大学硕士学位论文罗燕15医师独立诊断的结果，以病理结果为金标准，计算准确率、TPR和TNR等参数指标。参数指标组间差异比较采用McNemar检验（配对卡方检验）。采用ROC曲线分析AI预测、住院医师独立诊断、住院医师AI辅助下诊断和主治医师独立诊断的效能。以P<0.05为差异具有统计学意义。2结果2.1原始图像及其预处理原始图像采集工作由住院医师完成，预处理过程由AI研究人员完成。采集原始超声图像时记录患者姓名、门诊号、性别、年龄、住院号、症状体征、病灶位置、超声诊断结果、病理结果等资料，本研究总共收集401例患者，获得原始超声图像共计582幅，每位患者可有一幅或多幅（其中，仅含1幅图像者253例，含2幅图像者116例，含3幅及以上图像者32例），部分原始超声图像如图3所示。对401例患者建立以患者为单元的超声图像文件夹（582幅原始超声图像和697幅预处理后超声图像均是如此），部分如图4所示，对预处理后的697幅超声图像统一命名，具体命名方式如前文所提及，部分如图5所示。图3原始超声图像示例

【参考文献】：
期刊论文
[1]人工智能在医学影像分析中的应用进展[J]. 俞益洲,石德君,马杰超,周振.  中国医学影像技术. 2019(12)
[2]人工智能在医学影像领域的应用与挑战[J]. 季冰,刘伶俐.  中国医学伦理学. 2019(08)
[3]基于卷积神经网络的图像分类研究[J]. 庞丝丝,黄呈铖.  现代计算机. 2019(23)
[4]基于深度卷积神经网络的肺结节检测与识别[J]. 唐思源,杨敏,白金牛.  科学技术与工程. 2019(22)
[5]Application of artificial intelligence in gastroenterology[J]. Young Joo Yang,Chang Seok Bang.  World Journal of Gastroenterology. 2019(14)
[6]卷积神经网络研究综述[J]. 张亚倩.  信息通信. 2018(11)
[7]超声诊断乳腺良、恶性肿块的临床应用进展[J]. 赵琴.  现代医用影像学. 2018(06)
[8]基于深度卷积神经网络的图像分类算法[J]. 陈瑞瑞.  河南科技学院学报(自然科学版). 2018(04)
[9]深度卷积神经网络在图像识别算法中的研究与实现[J]. 韩星烁,林伟.  微型机与应用. 2017(21)
[10]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明.  计算机工程与应用. 2017(13)



本文编号：3363752