乳腺癌是世界范圍內(nèi)女性致死率最高的腫瘤之一,如何早期發(fā)現(xiàn)、規(guī)范化診斷、降低死亡率是全世界醫(yī)學(xué)界所面臨的重大挑戰(zhàn)。乳腺鉬靶圖像分析是早期發(fā)現(xiàn)乳腺癌病變風(fēng)險的重要手段,也是目前公認(rèn)的最有效和最可靠的醫(yī)療檢查方法,可以找到早期乳腺癌病變的相關(guān)線索,主要有腫塊、微鈣化和腺體結(jié)構(gòu)變形等。配合早期的防治措施可以顯著降低篩查人群的致癌率和死亡率,在乳腺鉬靶圖像成像設(shè)備與診斷系統(tǒng)普及較全面的發(fā)達(dá)國家,乳腺癌的存活率可達(dá)到80%以上,而在醫(yī)療衛(wèi)生水平較落后的發(fā)展中國家,乳腺癌的存活率低于40%。因此,在目前醫(yī)療技術(shù)對乳腺癌尚無有效預(yù)防手段的情況下,如何早期發(fā)現(xiàn)乳腺癌是對抗乳腺癌的重要方法。近年來,隨著計算機技術(shù)的飛速發(fā)展,使用計算機實現(xiàn)數(shù)字化輔助診斷系統(tǒng)已經(jīng)成為醫(yī)療技術(shù)的發(fā)展趨勢。利用計算機輔助醫(yī)生進(jìn)行乳腺癌診斷也成為了必然的發(fā)展趨勢,數(shù)字化的乳腺鉬靶圖像不僅可以使用更清晰的圖像分辨率,也更容易保存、檢索和傳輸,而且計算機可以分析與識別出人眼不能利用的診斷信息。近年來有大量基于乳腺鉬靶圖像的計算機輔助檢測技術(shù)被提出,已有部分應(yīng)用于臨床診斷,在最新的研究工作中,一些傳統(tǒng)算法還存在著許多不足,有些局限于乳腺... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：139 頁

【學(xué)位級別】：博士

【部分圖文】：

CBIS-DDSM數(shù)據(jù)集和INBreast數(shù)據(jù)集的乳腺鉬靶影像樣例

在本CAD系統(tǒng)中,所采用的疑似區(qū)域定位方法是全卷積網(wǎng)絡(luò)FCN,其跳躍連接的特征圖和解碼器中的特征圖融合之后,輸入到最終的反卷積層中的步長配置為8,所以在本實驗中也稱之為FCN-8s。由于輸出熱圖中每個像素的取值范圍是[0,1],選擇9個閾值對熱圖取二值化掩碼,其中CBIS-DDSM數(shù)據(jù)集的閾值分別為[0.01,0.02,0.05,0.1,0.2,0.5,0.8,0.9,0.95],INBreast數(shù)據(jù)集的閾值分別為[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9]。在CBIS-DDSM數(shù)據(jù)集上,使用更極端的閾值,以使得其FROC曲線能更好地展示閾值變化所帶來的效果。為了說明FCN模型在疑似區(qū)域定位中的優(yōu)勢,選取多閾值方法[146]作為對比方法,該方法結(jié)合圖像小波變換和遺傳算法提取圖像的多個閾值,對圖像進(jìn)行分割處理,是基于圖像形態(tài)學(xué)分割的代表性方法。多閾值方法選擇9個最優(yōu)的閾值對乳腺鉬靶影像做多層分割處理,在每一層中搜索疑似病灶區(qū)域,最后累積多個閾值下找出的所有疑似病灶區(qū)域。其中,更大的閾值對應(yīng)著更低的TPR和更低的FPI。例如,多閾值方法在使用第5個閾值時,將收集第5個閾值到第9個閾值各個層中搜索到的疑似病灶區(qū)域。通過在不同的閾值上的評估,得到的FROC曲線的結(jié)果見圖3-4。

多任務(wù)學(xué)習(xí).基礎(chǔ)對照組:在表3.1中,同樣可以觀察到多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)比基礎(chǔ)對照組取得更優(yōu)的AUROC指標(biāo)。多任務(wù)網(wǎng)絡(luò)在采取Inception-v3的基礎(chǔ)架構(gòu)和局部區(qū)域圖像尺寸為349的配置時,都在CBIS-DDSM和INBreast數(shù)據(jù)集上取得了最優(yōu)性能。其中,最優(yōu)的多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)分別超出了最優(yōu)的基礎(chǔ)對照組0.0080和0.0097的AUROC指標(biāo)。通過這一組對比,評估結(jié)果表明:1)利用分割任務(wù)提供的腫塊輪廓信息,多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)可以學(xué)習(xí)到更佳的特征表達(dá),可以提升腫塊檢測的性能;2)在多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)中使用Inception-v3的基礎(chǔ)架構(gòu)比VGG-16和ResNet-50的基礎(chǔ)架構(gòu)取得更好的性能。多背景多任務(wù)學(xué)習(xí).所有對照組:如同預(yù)期,多背景多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)得出了比所有對照組更優(yōu)的AUROC指標(biāo)。在CBIS-DDSM和INBreast數(shù)據(jù)集上,在采取Inception-v3的基礎(chǔ)架構(gòu)和3輸入流的配置時,多背景多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)得到的結(jié)果最優(yōu)。另外,可以發(fā)現(xiàn)所有方法在INBreast數(shù)據(jù)集上的結(jié)果也優(yōu)于CBIS-DDSM數(shù)據(jù)集上的結(jié)果,這是因為INBreast數(shù)據(jù)集的全數(shù)字化乳腺攝影技術(shù)得到的影像更清晰。在數(shù)值上,最優(yōu)的多背景多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)分別超出了最優(yōu)的基礎(chǔ)對照組0.0192和0.0120的AUROC指標(biāo)。為了更清晰地展現(xiàn)本方法優(yōu)于對照方法,圖3-5展示了最優(yōu)多背景多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)與最優(yōu)的所有對照組在CBIS-DDSM和INBreast數(shù)據(jù)集上的ROC曲線和AUROC指標(biāo)。另外對本方法及圖3-5中的對照方法進(jìn)行了統(tǒng)計顯著性測試�？梢杂^察到本方法與基礎(chǔ)對照組、多背景學(xué)習(xí)和多任務(wù)學(xué)習(xí)具有顯著的差異,在CBIS-DDSM和INBreast數(shù)據(jù)集上分別取得了<<10-5和<10-5的P值。這一顯著性的提升也表明多背景學(xué)習(xí)和多任務(wù)學(xué)習(xí)是兼容的,多背景多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)可以得到更優(yōu)的特征表達(dá)。


本文編號：3037782