女性的生命健康嚴(yán)重受到乳腺高發(fā)惡性病變的威脅,盡早的發(fā)現(xiàn)與治療將有效提升乳腺癌患者的生存率。乳腺X線攝影（Mammography）作為臨床上進行良惡性病變篩查的首選方法。在常規(guī)乳腺癌診斷過程中,能否精確識別和診斷乳腺腫物的良惡性至關(guān)重要。腫物陰影是一種乳腺癌的常見征兆。良惡性腫物在其形態(tài)、邊緣以及紋理等方面的差異已成為影像醫(yī)師進行主觀評估的重要依據(jù)。然而主觀評估的方法嚴(yán)重依賴操作者的經(jīng)驗,加上醫(yī)學(xué)影像病變誤診帶來的影響,臨床影像的診斷亟需一種自動診斷的方法。這在輔助醫(yī)師進行乳腺腫物診斷方面意義重大。隨著人工智能技術(shù)正積極投入醫(yī)學(xué)領(lǐng)域,乳腺腫物輔助診斷已經(jīng)成為研究熱點。盡管人工智能技術(shù)具有眾多優(yōu)勢并取得了長足發(fā)展,但乳腺腫物良惡性預(yù)測算法在多中心、標(biāo)準(zhǔn)化和可靠性等方面需要進一步完善。本文從基于手動設(shè)計特征的分析到深度特征的分析,并將手動設(shè)計特征、深層特征融合臨床參數(shù)以改善乳腺X線圖像腫物良惡性預(yù)測表現(xiàn)。論文的主要工作總結(jié)如下:首先,基于傳統(tǒng)影像組學(xué)方法,本文進行乳腺X線圖像腫物良惡性預(yù)測。腫物影像特征復(fù)雜多變,通過高通量的提取不同類型的差異性特征,將增加乳腺腫物良惡性之間紋理特征的可分性... 

【文章來源】：濟南大學(xué)山東省

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【部分圖文】：

乳腺X線成像（從左到右）：（1）乳腺X射線機；（2）乳腺X線圖像

基于多模態(tài)特征融合的乳腺X線圖像腫物良惡性預(yù)測4灰度游程矩陣(GrayLevelRun-lengthsMatrix,GLRLM)，局部二值模式（LocalBinaryPattern,LBP）等。手動設(shè)計的特征基于數(shù)學(xué)公式，該類分析不需要大數(shù)據(jù)集。根據(jù)數(shù)據(jù)集的體系結(jié)構(gòu)和大小，該類特征的計算成本較高。目前，人工智能的最新進展趨向于基于深度學(xué)習(xí)的影像組學(xué)技術(shù)的發(fā)展。該方法能夠提取具有極強表達能力的高層級特征。但往往并不是提取的所有特征都能實現(xiàn)有效的分類結(jié)果[12,13]。通過特征的選擇(如圖1.2所示)能夠解決現(xiàn)實任務(wù)中特征冗余問題。因此需要從高維度數(shù)據(jù)中選擇出重要的特征進行后續(xù)的學(xué)習(xí)過程。去除冗余的特征會大大降低對學(xué)習(xí)特征分類任務(wù)的復(fù)雜性和難度，同時也有利于提高對訓(xùn)練特征模型的分類計算效率，并避免過擬合的發(fā)生。圖1.2特征選擇基本框架特征選擇分為以下兩種方法。首先是受監(jiān)督的方法。例如，peng等人[14]提出最大相關(guān)最小冗余(Max-RelevanceandMin-Redundancy,mRMR)算法，該算法對特征子集進行選擇的過程與特征分類系統(tǒng)的決策無關(guān)。LVW(LasVegasWrapper)算法使用隨機分類策略進行特征搜索，將分類誤差作為評價準(zhǔn)則。其次是無監(jiān)督的方法。它旨在刪除冗余特征來降低特征的維數(shù)，例如主成分分析和獨立成分分析等算法。此類特征選擇方法在數(shù)據(jù)沒有真實標(biāo)簽的情況下使用是十分必要的。考慮在乳腺X線圖像的診斷分析中，一是數(shù)據(jù)集較小，二是已有經(jīng)病理證實的數(shù)據(jù)標(biāo)簽，因而有監(jiān)督的方法較無監(jiān)督的方法更適合此研究。(4)病變的診斷腫物的良惡性分類決策屬于影像組學(xué)技術(shù)中的關(guān)鍵一步，是指將提取的影像組學(xué)特征用于乳腺癌癥的診斷任務(wù)中。其結(jié)果直接關(guān)系到乳腺患者病情的診斷以及后續(xù)的治療計劃等。將提取的特征輸入到分類器后，接下來就是通過分類器對數(shù)據(jù)進行挖掘與統(tǒng)

濟南大學(xué)碩士學(xué)位論文15區(qū)域ROI，分割的前提是保證可疑區(qū)域包含其中的同時，盡可能的避免背景信息的干擾，ROI提取過程如圖2.1所示。圖2.1感興趣區(qū)域提取在DICOM格式的圖像上進行提取ROI之后，由公式2.1可知，通過一個線性函數(shù)將原始圖像的灰度值轉(zhuǎn)換至[0,1]的范圍，并將DICOM格式保存為bmp格式。原圖像的灰度值實現(xiàn)了等比例的縮放。其中Xnorm表示原灰度值X歸一化后的數(shù)據(jù)，Xmax、Xmin分別表示ROI內(nèi)最大的灰度值與最小的灰度值。提取的14例良、惡性ROI如圖2.2所示。其中上排為7例良性，下排為7例惡性圖像。minmaxminXnorm(X-X)/(X-X)(2.1)圖2.2良惡性腫物圖示2.2.3邊界填充與數(shù)據(jù)增強由于醫(yī)師標(biāo)注的感興趣區(qū)域遵循盡可能少的背景區(qū)域存在的原則，因此獲取的感興

【參考文獻】：
期刊論文
[1]重視乳腺影像學(xué)技術(shù)的發(fā)展,提升乳腺癌影像學(xué)診斷水平[J]. 孫應(yīng)實,曲玉虹.  中國醫(yī)學(xué)影像技術(shù). 2019(04)
[2]2018全球癌癥統(tǒng)計報告解讀[J]. 王寧,劉碩,楊雷,張希,袁延楠,李慧超,季加孚.  腫瘤綜合治療電子雜志. 2019(01)
[3]基于深度學(xué)習(xí)的胎兒顏面部超聲標(biāo)準(zhǔn)切面自動識別[J]. 余鎮(zhèn),吳凌云,倪東,陳思平,李勝利,汪天富,雷柏英.  中國生物醫(yī)學(xué)工程學(xué)報. 2017(03)

碩士論文
[1]基于鉬靶X射線影像組學(xué)分析的乳腺癌臨床診斷與預(yù)測模型研究[D]. 楊靜波.西安電子科技大學(xué) 2019
[2]基于深度學(xué)習(xí)的乳腺腫瘤病理圖像自動識別和分類研究[D]. 楊俊豪.南京航空航天大學(xué) 2019



本文編號：3133622