發(fā)布時間：2023-02-07 20:27

　　目的超聲診斷常作為乳腺腫瘤首選的影像學檢查和術前評估方法,但存在良惡性結節(jié)的圖像表現(xiàn)重疊、診斷嚴重依賴醫(yī)生經(jīng)驗,以及需要較多人機交互等問題。為減少誤診和不必要的穿刺活檢率,以及提高診斷自動化程度,本文提出一種端到端的模型,實現(xiàn)結節(jié)區(qū)域自動提取及良惡性鑒別。方法就超聲圖像散斑噪聲問題使用基于邊緣增強的各向異性擴散去噪模型(edge enhanced anisotropic diffusion,EEAD)實現(xiàn)數(shù)據(jù)預處理,之后針對結節(jié)良惡性特征提出一個改進的損失函數(shù)以增強鑒別性能,通過形狀描述符組合挖掘因形狀與其他類別相似從而易導致錯判的困難樣本,為使該部分困難樣本具有更好的區(qū)分性,應用改進的損失函數(shù),并在此基礎上構建困難樣本形狀約束損失項,用來調(diào)整形狀相似但類別不同樣本間的特征映射。結果為驗證算法的有效性,構建了一個包含1 805幅圖像的乳腺超聲數(shù)據(jù)集,在該數(shù)據(jù)集上具有5年資歷醫(yī)生的平均判斷準確率為85.3%,而本文方法在該數(shù)據(jù)集上分類正確率為92.58%,敏感性為90.44%,特異性為93.72%,AUC(area under curve)為0.946,均優(yōu)于對比算法;相對傳統(tǒng)Softm...

【文章頁數(shù)】：11 頁

【文章目錄】：
0 引言
1 相關工作
2 本文算法
    2.1 數(shù)據(jù)預處理
    2.2 形狀約束損失函數(shù)設計
    2.3 end-to-end超聲圖像識別框架
3 實驗結果與分析
    3.1 數(shù)據(jù)集及評價指標
    3.2 λ和μ參數(shù)的實驗研究
    3.3 實驗對比
4 結論



本文編號：3737373