【摘要】：乳腺癌已經(jīng)成為了女性致死率最高的癌癥之一,近年來中國的乳腺癌發(fā)病率在持續(xù)上升。臨床數(shù)據(jù)表明,早發(fā)現(xiàn)早治療將大幅度提升患者的生存率。乳腺超聲影像技術憑借著自身價格低廉和安全無侵入的特點逐漸成為乳腺癌診斷的主流方式。計算機輔助診斷系統(tǒng)的出現(xiàn)可以更好的輔助醫(yī)生進行閱片和診斷,降低誤診率和漏診率,在提升診斷的客觀性和準確性方面效果顯著�；谏疃葘W習的乳腺超聲圖像分割技術在近年蓬勃發(fā)展,其精度已經(jīng)遠超傳統(tǒng)方式,但仍有不足之處。目前主要存在以下問題,首先,對于單目標腫瘤分割,由于超聲圖像整體上對比度較低、噪聲較強,且圖像中常存在與腫瘤相似的低回聲區(qū)域,容易出現(xiàn)分割結果偏移或錯位的情況,同時分割結果較為粗糙,其邊緣不夠精細。其次,對于多目標腫瘤分割,當多個腫瘤目標距離較近時,模型難以將對象之間邊界清晰分離,常導致其彼此粘連為一個整體;當腫瘤相距較遠時,大多數(shù)模型只能分割出其中一部分目標,缺乏全局視野,易出現(xiàn)漏檢情況。最后,主流模型在多尺度腫瘤檢測問題上的表現(xiàn)不盡人意,圖像中尺寸較小的腫瘤存在較高的漏檢率,對于尺度較大的腫瘤則難以較好的實現(xiàn)完整分割。為了解決上述問題,本文針對于乳腺超聲圖像腫瘤自動分析任務,提出一種基于醫(yī)學先驗知識的多目標、多腫瘤分割方法。該方法在Mask R-CNN基礎上分別對模型的輸入模塊、定位模塊和輸出模塊做出了改進。本文方法可以全自動的定位并且分割出乳腺超聲圖像的腫瘤區(qū)域,主要研究工作可總結為以下方面:(1)改進特征金字塔網(wǎng)絡(FPN)提升了模型的整體表現(xiàn)。首先修改了候選區(qū)域生成網(wǎng)絡中錨框的尺寸以匹配乳腺超聲圖像數(shù)據(jù)集,使用小波變換與彈性形變來進行圖像增強,以此形成具有良好表現(xiàn)的基線模型。針對FPN中輸出的特征圖金字塔層與層之間的關系,將五層輸出進行特征融合均衡化,有效地將高層的語義信息同低層的位置信息融合起來,使每層具有相對均衡的特征信息,提升了模型的平均精度。(2)提出多尺度適應的乳腺超聲腫瘤識別方法。首先結合相位一致性原理進行乳腺層定位,利用背景顯著性生成腫瘤位置預測概率圖,再將其與基線模型的概率圖輸出融合,得到經(jīng)過醫(yī)學先驗知識約束后的腫瘤分割結果。然后使用空洞卷積替換候選區(qū)域生成網(wǎng)絡(RPN)中的卷積層,再堆疊五層不同膨脹率的卷積構成層級金字塔RPN結構,增大感受野的同時使參數(shù)量保持不變,五路并行單獨訓練的方式能更好的感知到不同尺寸的目標,有效提升本模型在多尺度腫瘤分割問題上的表現(xiàn),其中對小腫瘤檢測準確率的提高約為2%。最后模型接入了全連接條件隨機場進行協(xié)同訓練,一定程度上改善了分割結果對于細節(jié)的表達,使其更加精細化。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R737.9;R445.1;TP391.41
【圖文】：

圖 3-1 本文 Mask R-CNN 模型細節(jié)本文分別測試了將 Resnet18 和 Resnet50 作為模型核心骨架的不同表現(xiàn)，在保證不過擬合的前提下，Resnet50 模型檢測效果稍好，最終核心骨架選擇Resnet50 和特征金字塔網(wǎng)絡。將原圖輸入 Resnet50 中，第一組卷積層的大小是64×7×7 后接極大值池化，第二組卷積層為 3 個步長均為 1 的卷積，卷積核大小分別為64×1×1、64×3×3和256×1×1，第三組卷積核大小分別為128×1×1、128×3×3和 512×1×1，第四組卷積核大小分別為 256×1×1、256×3×3 和 1024×1×1，第五組卷積核大小分別為 512×1×1、512×3×3 和 2048×1×1，由此輸出特征圖{ C2，C3，C4，C5}。隨后本文實驗將 P2 到 P6 特征圖輸入 RPN 網(wǎng)絡，每一個特征圖進行卷積核大小為 3×3 的卷積進行特征提煉，然后分別輸入到兩個并行的 1×1 卷積分別作分類和回歸，得到的 RPN 結果候選框集合。目標檢測的過程中在同一目標的位置上會產(chǎn)生大量的候選框，這些候選框相互之間可能會有重疊，此時我們需要利用非極大值抑制找到最佳的目標邊界框，消除冗余的邊界框[54]。從每一個特征圖的結果中選取 200 個分數(shù)最高的錨框，并進行閾值為 0.7 的非極大抑制，將 P2 到 P6 特征圖的共計 1000 個錨框進行合并，從中選取得分最高的前 200 個

進一步增加了深層次的低層信息。文獻[62]提出了一種基于 SSD 的新型高效金字塔，它以高度非線性的方式集成了多層特征。這些方法檢測精度的提升給我們帶來啟發(fā)，即底層的位置細節(jié)信息和高層的語義信息互為補充，都是最終檢測分割任務不可缺少的輸入，因此如何整合金字塔多層特征的信息決定了模型的整體表現(xiàn)。3.3.2 特征聚合均衡化在實驗中發(fā)現(xiàn) FCN 模型輸出的 5 個特征圖之間的特征信息是不平衡的。舉例來說，P2 難以獲得 P5 的豐富位置特征信息，P5 也較難充分獲得 P2 的豐富語義信息。上文提到的方法大多通過修改結構，利用橫向連接的方式聚合不同層特征。但是這些方法存在問題，首先是長距離信息流動導致信息損失，其次，順序疊加方式使特征聚合局限在相鄰特征層，然而實驗證明所有層級的信息都有其各自的重要性。根據(jù)以上分析提出本節(jié)方法，首先將輸出每層的特征縮放成相同尺度，再進行像素級的聚合均值化，然后再縮放回原尺度，更簡單也更高效，結構如圖 3-2 所示。

有效的將底層信息和高層信息聚合在一起，通過均衡化的方強特征圖信息的目的。數(shù)據(jù)集生成 數(shù)據(jù)采集及標注為了驗證乳腺腫瘤檢測分割方法，本文使用由 617 張乳腺超聲圖像集，圖像的平均尺寸為 600×480 像素，每一幅圖像均由經(jīng)驗豐富的醫(yī)生按照金標準進行手工標注。本實驗使用的數(shù)據(jù)來自哈爾濱醫(yī)科屬醫(yī)院，來自于兩套系統(tǒng)：VIVID 7（GE）和 EUB-6500（Hitachi）。，所有病人信息數(shù)據(jù)都被嚴格保護。數(shù)據(jù)集采集和初步制作的結果如圖 3-3 所示，具體步驟是先獲取圖廓邊界，經(jīng)過二值化處理后生成如圖 3-3(b)的黑白圖，將其作為模分支的 Ground Truth，并將標定的外接矩形框作為模型檢測分支的 G，如圖 3-3(c)所示。

【相似文獻】

相關期刊論文 前10條

1 高東平;池慧;楊國忠;;乳腺超聲圖像本體構建研究[J];北京生物醫(yī)學工程;2015年04期

2 許靜晶;;BI-RADS分級在乳腺超聲診斷中的應用[J];人人健康;2016年22期

3 劉艷梅;;精心出版細節(jié) 專注精品打造——《乳腺超聲與病理》出版體會談[J];科技與出版;2009年12期

4 張縉熙;乳腺超聲的現(xiàn)狀及展望[J];中國超聲醫(yī)學雜志;1995年04期

5 余春銘;;婦女健康體檢中乳腺超聲的應用價值探析[J];中國婦幼健康研究;2017年S4期

6 劉小銘;;乳腺超聲在婦女健康體檢中發(fā)現(xiàn)乳腺疾病的應用價值[J];中國實用醫(yī)藥;2014年14期

7 王慧群;王丹輝;王照輝;;女童正常乳腺超聲測值及超聲表現(xiàn)研究[J];中外女性健康研究;2019年21期

8 葉虹;宣冀韓;紹娟;;乳腺超聲結合鉬靶在良、惡性病變診斷中的應用[J];齊齊哈爾醫(yī)學院學報;2015年20期

9 吳艷春;;乳腺超聲在女干部健康體檢中的應用價值分析[J];大醫(yī)生;2019年01期

10 任維東;;婦女健康體檢中乳腺超聲的應用與意義評析[J];影像研究與醫(yī)學應用;2018年09期

相關會議論文 前10條

1 彭玉蘭;唐沖;聶珊;敬基剛;張和慶;馬步云;吳艷艷;劉營;;乳腺超聲報告數(shù)據(jù)庫醫(yī)學信息的數(shù)據(jù)挖掘研究[A];慶祝中國超聲診斷50年暨第十屆全國超聲醫(yī)學學術會議論文匯編[C];2008年

2 田家瑋;王寒梅;;數(shù)字化乳腺超聲圖片庫的設計與實現(xiàn)[A];中國超聲醫(yī)學工程學會第七屆全國腹部超聲學術會議學術論文匯編[C];2007年

3 李萍;肖春華;湯清雯;;乳腺超聲報告與數(shù)據(jù)系統(tǒng)在乳腺腫瘤診斷中的臨床應用[A];中國超聲醫(yī)學工程學會第四屆全國淺表器官及外周血管超聲醫(yī)學學術會議論文匯編[C];2013年

4 劉佳;姜瑜;周瑜;;年齡對正常女性及妊娠期女性乳腺超聲彈性評分的影響[A];中國超聲醫(yī)學工程學會第四屆全國淺表器官及外周血管超聲醫(yī)學學術會議論文匯編[C];2013年

5 葛嘉;;乳腺超聲BI-RADS分級[A];第四屆全國醫(yī)學影像中西醫(yī)結合青年醫(yī)師論壇暨第四屆《中國中西醫(yī)結合影像學雜志》編委會會議資料匯編[C];2015年

6 彭玉蘭;;乳腺超聲BI-RADS解讀[A];中國超聲醫(yī)學工程學會2016全國顱腦及頸部血管超聲醫(yī)學學術大會暨2016全國血管與淺表器官超聲高級研討班講義匯編[C];2016年

7 周世崇;常才;范亦武;;乳腺超聲分級體系診斷標準的研究[A];中國超聲醫(yī)學工程學會第二次全國淺表器官及外周血管超聲醫(yī)學學術會議論文匯編[C];2009年

8 蘆愛霞;;乳腺超聲BI-RADS分級方法的初步探討[A];中國超聲醫(yī)學工程學會第三次全國淺表器官及外周血管超聲醫(yī)學學術會議（高峰論壇）論文匯編[C];2011年

9 周瑜;劉佳;;參照區(qū)大小對乳腺超聲彈性應變率比值測值結果影響的對比研究[A];中國超聲醫(yī)學工程學會第三次全國淺表器官及外周血管超聲醫(yī)學學術會議（高峰論壇）論文匯編[C];2011年

10 彭玉蘭;羅洪浩;趙海娜;史巖;;超聲圖像特征預測乳腺癌風險和評估分類的初步研究[A];中國超聲醫(yī)學工程學會第四屆全國淺表器官及外周血管超聲醫(yī)學學術會議論文匯編[C];2013年

相關博士學位論文 前5條

1 劉暢;基于PMUT線陣柱形運動的乳腺超聲CT系統(tǒng)設計及成像算法研究[D];中北大學;2019年

2 劉研;基于雙模態(tài)乳腺超聲圖像的良惡性分類及其關鍵技術研究[D];哈爾濱工業(yè)大學;2013年

3 劉博;乳腺超聲圖像中的腫瘤區(qū)域定位與腫瘤分類技術研究[D];哈爾濱工業(yè)大學;2010年

4 高梁;超聲圖像乳腺腫瘤分割新方法研究[D];電子科技大學;2013年

5 奧瑪爾;乳腺超聲斷層圖像重建:計算與性能分析[D];華中科技大學;2012年

相關碩士學位論文 前10條

1 付貴山;深度學習乳腺超聲圖像分類器及其可解釋性研究[D];哈爾濱工業(yè)大學;2019年

2 趙旭;基于醫(yī)學先驗的多尺度乳腺超聲腫瘤實例分割方法[D];哈爾濱工業(yè)大學;2019年

3 莫林(Molin Alexander);乳腺超聲圖像的全自動分割[D];哈爾濱工業(yè)大學;2019年

4 柴瀟;Gail模型在乳腺超聲分類BI-RADS4類中的應用[D];廣西醫(yī)科大學;2019年

5 王恒立;基于全卷積網(wǎng)絡的乳腺超聲圖像語義分割方法[D];哈爾濱工業(yè)大學;2018年

6 肖婷;基于深度特征遷移與融合的乳腺超聲圖像分類[D];重慶大學;2018年

7 梁舒;基于殘差學習U型卷積神經(jīng)網(wǎng)絡的乳腺超聲圖像腫瘤分割研究[D];華南理工大學;2018年

8 梁澄宇;三維乳腺超聲圖像的自動分割研究[D];南京大學;2017年

9 任姣姣;基于高級語義特征映射的乳腺超聲圖像分類研究[D];哈爾濱工業(yè)大學;2012年

10 邵昊陽;基于視覺顯著性的乳腺超聲序列圖像分割方法[D];哈爾濱工業(yè)大學;2015年

本文編號：2759873