基于深度卷积特征的乳腺X线摄影钙化良恶性鉴别及BI-RADS分类初步研究

发布时间：2017-09-12 11:14

  本文关键词：基于深度卷积特征的乳腺X线摄影钙化良恶性鉴别及BI-RADS分类初步研究

  更多相关文章： 深度学习 卷积神经网络 乳腺X线摄影 钙化 良恶性 乳腺影像报告和数据系统

【摘要】：目前乳腺癌已成为女性最常见恶性肿瘤,不论在发达国家还是发展中国家,其发病率都呈上升趋势。乳腺X线摄影是乳腺癌筛查和诊断的主要影像手段,对于微钙化尤其敏感。大量研究表明乳腺X线摄影对乳腺病变有着较高的诊断价值。本文收集一定样本量的乳腺X线摄影钙化病变病例,结合BI-RADS分类以及临床实践,总结乳腺X线摄影对钙化病变的诊断价值,并对乳腺癌筛查及诊断策略进行初步探讨。近些年,计算机辅助诊断的迅速发展为乳腺X线摄影诊断增添不少砝码,但目前的推广及应用程度远远不够,原因在于其仍然存在许多局限和不足。深度学习方法的出现能够拓展研究方向。它已经在语音、图像识别等领域取得巨大成功,但较少涉足医学图像处理及识别领域。本研究尝试将深度卷积神经网络运用到乳腺X线摄影图像处理当中,进行乳腺钙化图像的深度卷积特征提取,并结合当前性能较良好的SVM算法进行分类器训练,初步评价分类器对乳腺钙化病灶良恶性鉴别及BI-RADS分类效果。论文正文主要分为以下4个章节：第一章绪论主要介绍研究背景、意义,概述乳腺X线摄影在乳腺癌筛查和诊断领域的优势和局限,叙述计算机辅助诊断的现状,并引入深度学习这一概念,阐述其在相关领域的研究和成果,最后将深度学习(卷积神经网络)与乳腺X线摄影钙化病变图像联系起来,目的在于初步评价基于深度卷积特征的乳腺X线摄影钙化病变良恶性鉴别及BI-RADS分类效果。第二章深度学习概述主要内容为深度学习的基本概念以及常用的深度学习方法,为后续章节的研究提供理论基础。第三章乳腺钙化病变的X线摄影诊断及病理对照收集我院2009年1月～2015年10月期间,符合纳入标准的乳腺X线摄影钙化病变病例,结合BI-RADS分类以及临床实践,将BI-RADS Ⅳa类分别定义为阳性/阴性,以金标准病理结果作为对照进行验证,从准确率、敏感度、特异度等以及ROC曲线这几方面进行结果分析,总结乳腺X线摄影对钙化类型乳腺病变的良恶性及BI-RADS分类诊断价值,能够对乳腺癌筛查、诊断策略进行探讨,也为后续初步评价基于深度卷积特征的乳腺X线摄影钙化病变良恶性鉴别及BI-RADS分类效果提供参考依据。共计383例符合纳入标准的乳腺钙化病变,BI-RADS分类诊断结果分别为0类2例、Ⅰ类8例、Ⅲ类47例、Ⅳ类185例(Ⅳa类94例、Ⅳb类45例、Ⅳc类46例)以及V类141例,而诊断准确率依次分别为：0类50%、Ⅱ类100%、Ⅲ类93.62%、Ⅳb类68.89%、Ⅳc类84.78%、Ⅴ类99.29%以及Ⅳa类43.62%(定义为阳性)或56.38%(定义为阴性)；乳腺X线摄影诊断与病理对照方面,其结果因Ⅳa类病变定义不同而有所差异。Ⅳa类为阳性病变时,乳腺X线摄影对钙化病变的诊断敏感度、特异度、阳性预测值及阴性预测值分别为98.82%、40.63%、76.83%以及94.55%,ROC曲线下面积为0.697±0.022；Ⅳa类为阴性病变时,乳腺X线摄影对钙化病变的诊断敏感度、特异度、阳性预测值及阴性预测值分别为82.75%、82.03%、90.17%以及70.47%,ROC曲线下面积为0.824±0.021。本部分结果表明：1、乳腺X线摄影对乳腺钙化病变有着较高的诊断效能,对应不同的BI-RADS分类,其准确率稍有差异。BI-RADSⅡ类(100%)、Ⅲ类(93.62%)以及V类(99.29%)病变的诊断准确率达到很高的水平,而Ⅳ类病变(60%)的总体诊断准确率稍低。2、乳腺X线摄影诊断BI-RADS分类结果与病理对照方面,在Ⅳa类病变定义不同情况下,其诊断敏感度、特异度、阳性预测值、阴性预测值及ROC曲线下面积均有所不同,Ⅳa类病变表示为阳性时,有着很高的敏感度,但特异度较低,表明误诊率稍高,预示着可能存在着过度诊断或非必要的活检出现的可能性；当Ⅳa类病变表示为阴性时,敏感度及特异度均较高,两者之间体现出较好的平衡性。3、本章节基于ⅣA类病变为阳性／阴性的不同情况,总结乳腺X线摄影诊断乳腺钙化病变(383例)的准确率、敏感度、特异度以及ROC曲线下面积,分析乳腺X线摄影对乳腺钙化病变的诊断效能,对乳腺癌筛查、诊断策略进行了初步探讨,可为后续基于深度卷积特征的乳腺X线摄影钙化良恶性鉴别及BI-RADS分类初步研究提供重要参考依据。第四章基于深度卷积特征的乳腺钙化良恶性鉴别及BI-RADS分类初步研究通过收集符合纳入标准的乳腺X线摄影钙化病变病例,其中CC位图像375幅,MLO位图像368幅,运用基于自然图像训练得到的深度卷积神经网络,尝试初步评价其对乳腺钙化病变良恶性鉴别及BI-RADS分类效果。本文中,基于深度卷积特征的提取及后续SVM分类训练过程均在MATLAB开发工具环境下进行,此过程需要比较统一、标准的输入及相应的输出结果,因而对纳入的乳腺钙化病变相关数据进行相应预处理,步骤包括：①图像储存；②资料归类；③Excel表信息汇总；④钙化病变区域圈注及格式处理；作用在于能够在最大程度包括钙化病变范围的同时,减少非乳腺区域以及乳腺组织本身的图像信息干扰。⑤修正BI-RADS分类。通过基于自然图像训练的深度卷积神经网络进行钙化病变卷积特征提取,并结合当前机器学习领域广泛应用的SVM算法,进行分类器训练,并进行10-fold交叉验证,最后得到平均结果。乳腺钙化病变图像预处理相关结果方面,所有383例病例均进行完整的资料汇总,包括检查号、病变部位、影像BI-RADS分类、修正BI-RADS分类、病理结果以及良恶性结果,无资料缺失；另外,所有383例乳腺钙化病例均成功进行钙化病变区域圈注,效果良好。良恶性识别分类器结果方面,基于CC位乳腺X线摄影钙化病变图像卷积特征的分类器TPR区间为0.545-0.778,平均为0.686；TNR区间为0.444.0.889,平均为0.690；等错误率(equal error rate, EER)区间为0.210.0.400,平均为0.289；总体诊断准确率约为68.8%,ROC曲线下面积分别约为0.766;相类似,基于MLO位乳腺X线摄影钙化病变图像卷积特征的分类器TPR区间为0.50.0.80,平均为0.672；TNR区间为0.50.0.876,平均为0.677；EER区间为0.177.0.50,平均为0.331；总体诊断准确率约为67.4%,ROC曲线下面积分别约为0.741。由于BI-RADS IV类病变(包括Ⅳa～Ⅳc类)之间存在较大的特征重叠区域,在寻找分类方向上存在困难。因此,我们认为以目前乳腺X线摄影钙化病变图像数据集样本量还不够得到分类效果较良好的BI-RADS分类识别模型。本部分结果表明：1、乳腺X线摄影钙化病变图像数据集的建立,为基于深度卷积神经网络的钙化良恶性鉴别等提供了数据基础；2、基于CC位、MLO位乳腺X线摄影钙化病变图像的良恶性鉴别具有一定的准确性,但总体结果不算高,仍有较大的提升空间；3、由于样本数据集不足,暂未能训练获得效果良好的BI-RADS分类识别模型。
【关键词】：深度学习 卷积神经网络 乳腺X线摄影 钙化 良恶性 乳腺影像报告和数据系统
【学位授予单位】：南方医科大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R737.9;R730.44
【目录】：

• 摘要3-7
• ABSTRACT7-13
• 第一章 绪论13-19
• 1.1 研究背景及意义13-15
• 1.2 深度学习相关研究及应用现状15-17
• 1.3 本文主要内容17-19
• 第二章 深度学习概述19-29
• 2.1 深度学习的基本概念19-20
• 2.2 自动编码器20-24
• 2.3 稀疏编码24-26
• 2.4 卷积神经网络26-29
• 第三章 乳腺钙化病变的X线摄影诊断及病理对照29-49
• 3.1 研究对象29
• 3.2 研究方法29-33
• 3.3 结果33-46
• 3.4 讨论46-48
• 3.5 小结48-49
• 第四章 基于深度卷积特征的乳腺钙化良恶性鉴别及BI-RADS分类初步研究49-65
• 4.1 研究对象49-50
• 4.2 研究方法50-53
• 4.3 结果53-61
• 4.4 讨论61-64
• 4.5 小结64-65
• 全文总结65-66
• 研究不足与展望66-67
• 参考文献67-74
• 综述74-87
• 参考文献81-87
• 中英文缩写词简表87-88
• 硕士研究生期间发表论文情况88-89
• 致谢89-91

【相似文献】

中国期刊全文数据库 前10条

1 肖燕;湖北省乳腺病防治研究中心成立[J];中国肿瘤;2000年05期

2 杨丽;;532例乳腺病的病因分析及干预措施[J];首都医药;2006年18期

3 余康生;;乳腺病悄悄缠上新妈妈们[J];中国药店;2009年10期

4 孙庆伟;;乳腺病的激素失调及其矫正[J];国外医学.计划生育妇产科学分册;1980年01期

5 熊汉英;刘振球;付建英;;中等重工业城市居民乳腺病流行特征研究[J];湖北预防医学杂志;1993年02期

6 陈志坚;中美乳腺病诊治研讨会报道[J];中华放射肿瘤学杂志;1995年04期

7 李志宏,袁辉生,程石,马淑云,张越巍,范东坡,冯瑞娥;缩乳术治疗乳腺病的初步探讨[J];中华外科杂志;1998年08期

8 闵保华;;大男人也有乳腺病[J];家庭医药;2009年05期

9 程建中;;挥拳击溃乳腺病[J];东方养生;1996年06期

10 黄毅,郭永学,加玉成,刘帮芝;乳腺局限性梗死一例[J];临床外科杂志;2000年06期

中国重要会议论文全文数据库 前10条

1 张孝娟;王一安;郭莉;鲁丹凤;李莉;;乳腺病情志疏导初探[A];第十二次全国中医、中西医结合乳房病学术会议论文集[C];2011年

2 丁虹;范玲玲;;乳腺软X线片对乳腺病的诊断价值——附320例报告[A];第一届全国中西医结合乳腺疾病学术会议论文汇编[C];2002年

3 杨帆;;乳腺X线摄影[A];2009湖北省影像学乳腺癌早期诊断研讨会资料汇编[C];2009年

4 孔祥举;;中西药结合对乳腺病理论的探讨[A];第一届全国中西医结合乳腺疾病学术会议论文汇编[C];2002年

5 卫华锋;;1300例乳腺疾患普查分析报告[A];第一届全国中西医结合乳腺疾病学术会议论文汇编[C];2002年

6 白宛仙;;乳腺病的预防与治疗[A];中国管理科学文献[C];2008年

7 白素丽;杜沛芳;;“乳块散”快速治疗乳腺病500例疗效分析[A];第一届全国中西医结合乳腺疾病学术会议论文汇编[C];2002年

8 王军生;;对中西医结合治疗乳腺病的一些认识[A];第一届全国中西医结合乳腺疾病学术会议论文汇编[C];2002年

9 李燕玲;喻娇花;;门诊男性乳腺病患者就医期的护理[A];全国门、急诊护理学术交流暨专题讲座会议论文汇编[C];2006年

10 张静;曾勇明;谭欢;;数字化X线机工作站在乳腺定位中的应用[A];中华医学会第十三届全国放射学大会论文汇编（下册）[C];2006年

中国重要报纸全文数据库 前10条

1 岳娟红　李丽;我市启动“乳腺病普查粉红健康行动”[N];太原日报;2009年

2 本报记者　李淑丽 通讯员　南华;错误呵护反患乳腺病[N];河南日报;2006年

3 本报记者 隋峻;中德专家联手在青开展乳腺病防治保健筛查[N];青岛日报;2012年

4 蒋宏传;北方地区乳腺病检查技术研讨会在京召开[N];中国妇女报;2000年

5 黄岚;贵阳六成多妇女患乳腺病[N];健康报;2007年

6 记者 石小宏;3年内帮万名乳腺病患者治疗康复[N];四川日报;2009年

7 刘桥斌;患乳腺病能吃豆制品吗？[N];健康时报;2007年

8 厉朋;妙手根治乳腺病[N];中国石油报;2000年

9 周建跃 温红蕾;工作压力大 乳腺病高发[N];大众卫生报;2005年

10 张安安 记者 宋伟 实习生 魏琪;陕西省乳腺学术沙龙第二次研讨会在延大附院举行[N];延安日报;2007年

中国博士学位论文全文数据库 前10条

1 赵红;钼靶X线、超声和MRI对乳腺肿块良恶性诊断效能及术前评估研究[D];安徽医科大学;2015年

2 王廷;离体乳腺组织电阻抗频谱特性分析及乳腺电阻抗扫描成像的临床应用研究[D];第四军医大学;2008年

3 周洁;乳腺“局灶性不对称”征象的影像学研究[D];第二军医大学;2012年

4 贾悦;乳腺钠/碘转运体表达与功能的调控研究[D];南京医科大学;2004年

5 陶志福;微波近场回波的医学成像方法研究[D];华东师范大学;2011年

6 洪庆山;X线、CT和乳腺磁共振在乳腺癌诊断和保乳术前评估的序贯应用研究[D];南方医科大学;2014年

7 周悦;基于乳腺X线图像的计算机辅助诊断方法研究[D];苏州大学;2014年

8 程娟娟;BI-RADS FFDM分类系统在乳腺良恶性疾病诊断中的应用研究[D];华中科技大学;2014年

9 史宪全;乳腺超声剪切波弹性成像临床应用及病理基础研究[D];中国人民解放军医学院;2015年

10 丁建辉;X线位相成像对乳腺肿瘤诊断价值的研究[D];复旦大学;2008年

中国硕士学位论文全文数据库 前10条

1 高峰;超声自动乳腺全容积系统在乳腺病变术前评估中的应用价值[D];河北医科大学;2015年

2 江静;乳腺3.0TMR扩散加权成像的多参数诊断价值研究[D];东南大学;2015年

3 蔡玉英;声脉冲辐射力弹性成像联合三维超声对乳腺肿块良恶性诊断价值的初探[D];广州中医药大学;2016年

4 周卫平;IVIM联合DKI对乳腺MR动态增强Ⅰ型和Ⅱ型病灶诊断价值的临床研究[D];苏州大学;2016年

5 曾辉;基于深度卷积特征的乳腺X线摄影钙化良恶性鉴别及BI-RADS分类初步研究[D];南方医科大学;2016年

6 关斌;近红外乳腺检测及系统研究[D];中南民族大学;2010年

7 程运福;基于乳腺X线片自动检测癌变信息的理论研究[D];山东大学;2007年

8 张小梅;计算机辅助检测在乳腺X线摄影中应用价值的研究[D];天津医科大学;2008年

9 叶欣;乳腺血氧检测与乳腺疾病病理特征相关性研究[D];复旦大学;2010年

10 肖勤;数据挖掘技术在乳腺X线诊断中的应用[D];复旦大学;2009年

，

本文编号：836884