基于多参数核磁影像的前列腺癌自动检测方法研究

发布时间：2020-07-31 21:24

【摘要】：前列腺癌(Prostate Cancer,PCa)是当今世界上诊断出的威胁男性身体健康的第二大癌症。PCa生长进化的特征主要有以下两种类型:(1)缓慢生长的肿瘤,其生长缓慢并且通常与前列腺相连;(2)快速生长的肿瘤,其易从前列腺转移到其他器官,这可能导致不可治愈的疾病。因此,对前列腺癌的早期诊断和风险评估在患者的治疗和随访中起着主要作用。在实践中,诊断可能受多种因素影响,如观察者的多样性以及病灶的可见性和复杂性。基于此,设计一个计算机辅助检测和诊断系统,以帮助放射科医师进行临床实践是很有必要的。计算机辅助检测技术(Computer-Aided Detection and Diagnosis,CAD)可以减轻临床的放射科医生在进行阅片时的负担,可以做到有效的辅助临床医生进行癌症病症的诊断,提升临床医生的工作效率。目前绝大多数的前列腺癌定位系统都是将系统分为四个依赖性的分支:1)不同模态图像对之间的配准;2)已配准前列腺区域的分割;3)区域特征提取;4)对特征分类得出真正的病灶区。显然这种后一步骤依赖前一步骤的结果的处理方式会造成信息的损失,使得定位结果和分类结果不精确。并且其使用的多为传统的图像处理算法,本文紧贴目前火爆的深度学习算法,将该算法应用至医学图像中,提出了基于弱监督的端到端的卷积神经网络(Convolutional Neural Network,CNN)框架,解决医学图像数据标签缺少以及处理过程中信息损失的问题,其主要工作如下:1.提出了一个基于CNN的弱监督的端到端的全自动前列腺癌定位系统,该系统可以做到在确定患者患有癌症的同时定位出病灶的相关位置。该系统可以做到在输入完整的表观扩散系数图像(Apparent Diffusion Coefficient,ADC)和T2-权值图像(T2-weighted,T2w)对时,在网络中完成图像的分割,以及癌症病灶区域的定位和癌症的分类。提出了不一致性损失函数和分类损失函数来联合优化网络,使得ADC和T2w图像生成的响应图达到一致性,从而达到更好的定位精度。该损失函数使得我们提出的网络结构有了更好的前列腺癌分类和定位功能,取得了很好的实验结果。2.提出了一个基于CNN的多模型的组织变形网络(TissueDeformationNetwork,TDN)网络结构用于不同模态图像对之间的配准,应用了薄板样条变换(Thin Plate Spline,TPS)来对图像进行形变。该网络结构可以应用于任何的神经网络架构之前作为图像对的配准算法,其反向传导利用的是后续的分类和定位的损失函数,而不仅仅是基于两个图像对之间的互信息,可以使得配准结果更加的利于定位和分类工作。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R737.25;TP391.41
【图文】：

流程图,前列腺,癌症,图像

篇幅综述了针对该系统的相关研究。目前己知的ＣＡＤｅ通常分为以下四个步骤来完逡逑成检测：１）多模态的图像之间的配准；２）前列腺区域的分割；３）提取特征４）分逡逑类检测。如下图１．１所示：逡逑；：多参数ＭＲＩ图像ｊ逦；邋诊断结果邋＇逡逑逦ｉ逦逦Ｉ逦逡逑预处理分类逡逑／逦Ｉ逦＼＼逦候选Ｅ域生成逡逑逦ＪｓＬ＿＿逦逦Ｉ邋逦＿＿＾逦１１逡逑（Ｔ２ＷＩ邋：丨！邋ＡＤＣ邋）逦（邋Ｋｔｒａｎｓ邋｝逡逑特征提取逡逑逦士邋Ｚ逦逦逦逦逡逑配准分割逡逑（Ｔ２ＷＩ，ＡＤＣ，Ｋｔｒａｎｓ．ｅｔｃ．）逦Ｉ邋（前到腺■邋＾邋心腺体邋＿）逡逑图１．１前列腺ＣＡＤｅ流程图逡逑现有的这些系统，在特征的选取及疑似癌症区域的分类、ＭＲＩ图像的格式、以逡逑及用于特征融合和分类的算法上都有很大的差异。第一代的系统是在２００３年由Ｃｈａｎ逡逑等人？开发出来的，该系统利用共生矩阵和离散余弦变换从线性扫描图像，Ｔ２和Ｔ２ｗ逡逑图像中提取前列腺外周带（ＰｅｒｉｐｈｅｒａｌＺｏｎｅ，邋ＰＺ）的纹理特征，然后利用一个支持向逡逑量机（Ｓｕｐｐｏｒｔ邋Ｖｅｃｔｏｒ邋Ｍａｃｈｉｎｅ，ＳＶＭ）分类器对提取的特征进行分类生成概率图。之逡逑后，在２００９年Ｌａｎｇｅｒ等人１１２１的研究中，他们利用动态对比增强磁共振成像（Ｄｙｎａｍｉｃ逡逑Ｃｏｎｔｒａｓｔ－Ｅｎｈａｎｃｅｄ邋Ｍａｇｎｅｔｉｃ邋Ｒｅｓｏｎａｎｃｅ邋Ｉｍａｇｉｎｇ，ＤＣＥ－ＭＲＩ）和药代动力学参数图作为逡逑特征对前列腺的ＰＺ区进行像素点分类。Ｔｉｗａｒｉ等人（２０１２；）［＠则研宄了磁共振波谱和逡逑Ｔ２ｗ成像相结合的方法去辨别癌症像素。同年

前列腺癌,检测定位,癌症,多模态

弱监督的深度学习模型。我们将这些独立的模块整合到我们的多模型的深度学习网逡逑络中去，仅仅利用单张图像标记的是否患癌的信息去训练该网络得出癌症响应图和逡逑癌症分类结果。图１．２给出了本文的前列腺癌检测ＣＡＤ系统的设计流程并与传统的逡逑设计方案进行了对比。逡逑１．５论文的章节安排逡逑本文论文共分为五章，章节的具体安排如下：逡逑第一章主要介绍了本论文所选择的课题的研究背景以及研宄意义，分析了目前逡逑逦７逦逡逑

局部图,癌症,预测图,前列腺

取得了最高的性能。ＬＤＡ也被Ｐｅｎｇ等人使用，在Ｔ２ｗ和ＡＤＣ上用于纹理特征的提逡逑取开发［２３＿。其他利用ＳＶＭ在ｍｐ－ＭＲＩ上对前列腺癌进行分类的工作包括Ｌｉｕ等人逡逑和Ｍｏｒａｄｉ等人ＷＭ。在下图２．１中我们展示了由Ｌｉｕ等人提出的ＣＡＤ系统生成的前逡逑列腺响应图［１］。逡逑Ｔ２ＷＩ逦ＡＤＣ（ＤＷＩ）逡逑Ｋｔｒａｎｓ（ＤＣＥ）逦ＣＡＤ邋ｐｒｅｄｉｃｔｉｏｎ邋ｍａｐ逡逑ｍｇｍ邋ｍＳｍ逡逑Ｂｅ邋Ｍ３逡逑图２．１邋ＳＶＭ分类正确的真阳性癌症的前列腺ＣＡＤ预测图的插图。红色的方框表示分别从逡逑Ｔ２ＷＩ，邋ＡＤＣ，邋Ｋｔｒａｎｓ图像上提取的癌症区域的局部图像块。绿色的轮廓是前列腺的边界。ＣＡＤ逡逑预测响应图上亮色的区域上，该亮度越大表明了该区域是癌症区域的可能性很大。［ｍ＞］逡逑逦１３逦逡逑

【相似文献】