乳腺癌是女性中最常見的癌癥,也是女性死亡的第二大原因。乳腺鉬靶X光圖像篩查可以提早乳腺癌被發(fā)現(xiàn)的時間,使醫(yī)生可在乳腺癌早期盡快進(jìn)行治療。鉬靶圖像篩查主要依靠醫(yī)生的觀察,但圖像的閱讀對醫(yī)生的臨床經(jīng)驗(yàn)要求較高,診斷結(jié)果往往也會受主觀因素的影響。計算機(jī)輔助診斷系統(tǒng)可以通過幫助放射科醫(yī)生來改善乳腺癌篩查效果。傳統(tǒng)系統(tǒng)的特異性較低,放射科醫(yī)生在使用計算機(jī)輔助系統(tǒng)時并未提高其篩查性能。通過使用深度神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)算法的最新發(fā)展極大地改善了計算機(jī)視覺和醫(yī)學(xué)成像模型的性能。乳腺腫塊是乳腺癌的一個最重要的征兆,它們的自動檢測識別對于預(yù)測癌癥非常重要。因此,本文的主要研究內(nèi)容是乳腺鉬靶圖像的分類、乳腺腫塊檢測和腫塊分割。本文對乳腺鉬靶X光圖像進(jìn)行良惡性分類,輔助醫(yī)生進(jìn)行篩查判斷。由于鉬靶圖像分辨率高而腫塊在圖像中占比極小,本文提出了應(yīng)用互注意力機(jī)制融合塊特征和全局特征分類的方法。剪切圖像塊訓(xùn)練分類網(wǎng)絡(luò),網(wǎng)絡(luò)用于生成塊特征。在塊特征提取網(wǎng)絡(luò)上擴(kuò)展網(wǎng)絡(luò)深度,輸入整張圖像用于提取全局特征。以互注意力機(jī)制融合全局特征和塊特征進(jìn)行分類,以全局特征為指導(dǎo)學(xué)習(xí)塊特征不同通道的重要程度,按照塊特征的分布學(xué)習(xí)有利于分類的病... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1分類網(wǎng)絡(luò)結(jié)構(gòu)

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-11-的特征更多，無法注意到病變的特殊性。裁剪的圖像塊中病變占比較高，訓(xùn)練圖像塊良惡性分類可以使特征提取網(wǎng)絡(luò)注意到腫塊病變的共性特征，有利于后續(xù)鉬靶圖像分類。塊特征提取網(wǎng)絡(luò)訓(xùn)練過程見圖2-2。將乳腺鉬靶圖像縮放為1008×1568，圍繞病變區(qū)域和正常區(qū)域裁剪224×224圖像塊，訓(xùn)練網(wǎng)絡(luò)區(qū)分病變塊良惡性。裁剪正常圖像塊時，比較左側(cè)中心部分平均像素值和右側(cè)中心部分平均像素值，像素值高一側(cè)是乳腺側(cè)。乳腺側(cè)一半圖像隨機(jī)生成中心坐標(biāo)，裁剪4個圖像塊，另一半圖像隨機(jī)裁剪2個圖像塊。裁剪病變塊時，在每個病變中心周圍矩形區(qū)域隨機(jī)生成圖像塊中心，塊內(nèi)病變超過塊的90%或者占整個病變超過90%則裁剪，重復(fù)這個過程直到每個病變裁剪出6塊。訓(xùn)練損失應(yīng)用兩類交叉熵?fù)p失。圖2-2塊特征提取網(wǎng)絡(luò)訓(xùn)練過程塊特征提取網(wǎng)絡(luò)的全連接層前面部分作為特征提取網(wǎng)絡(luò)，整張圖像切分應(yīng)用該網(wǎng)絡(luò)輸出用于后續(xù)融合的塊特征。整張圖像塊特征生成過程見圖2-3，將輸入圖像用滑動窗口切分為圖像塊提取特征，輸出特征按空間位置拼接成全圖塊特征。為了使塊特征的感受野中心和全局特征的一致，將圖像縮放到1008×1568后四周擴(kuò)充112的0像素。使用步長為112的滑動窗口將圖片分割為10×15個224×224的圖像塊，每個圖像塊通過塊特征提取網(wǎng)絡(luò)輸出1×1×2048的塊特征，將特征向量按照對應(yīng)輸入圖像塊原本的位置關(guān)系排列，獲得10×15×2048的圖像塊特征，即為整張圖像的塊特征。

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-12-圖2-3全圖塊特征生成過程2.2.2全局特征提取全局特征提取網(wǎng)絡(luò)是由塊分類網(wǎng)絡(luò)擴(kuò)展的結(jié)構(gòu)，且訓(xùn)練在塊分類網(wǎng)絡(luò)的參數(shù)上進(jìn)行微調(diào)。全局特征提取網(wǎng)絡(luò)結(jié)構(gòu)見圖2-4。在塊分類網(wǎng)絡(luò)的特征提取部分后增加四個殘差塊，一個降通道數(shù)卷積和一個全連接層，形成全局特征提取分類網(wǎng)絡(luò)。圖2-4全局特征提取網(wǎng)絡(luò)結(jié)構(gòu)擴(kuò)展層具體組成見表2-1。四個殘差塊形成兩個分辨率，使特征提取網(wǎng)絡(luò)有更大的感受野，學(xué)習(xí)全局性的語義信息。每個殘差塊結(jié)構(gòu)與ResNet-50結(jié)構(gòu)相似，包含3個卷積操作，每個分辨率第一個殘差塊差分通道應(yīng)用一個卷積降采樣，其他差分通道無操作，主干網(wǎng)絡(luò)輸出與差分通道輸出按像素加和形成殘差塊輸出。降通道數(shù)卷積連接全連接層使分類時即不損失過多特征計算量又不巨大，降通道數(shù)卷積相較于全局池化保留了一定的空間特征，相較于直接全連接又節(jié)省了計算量。

【參考文獻(xiàn)】：
期刊論文
[1]基于全卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的乳腺腫塊圖像分割[J]. 徐勝舟,程時宇.  中南民族大學(xué)學(xué)報(自然科學(xué)版). 2019(02)
[2]基于多特征聯(lián)合監(jiān)督字典學(xué)習(xí)的乳腺圖像分類[J]. 劉利卉,徐軍,龔磊.  計算機(jī)工程. 2018(03)

博士論文
[1]多視角乳腺X線圖像的乳腺癌檢測與分類方法研究[D]. 李艷鳳.北京交通大學(xué) 2015

碩士論文
[1]基于鉬靶圖像的乳腺腫瘤診斷若干關(guān)鍵性技術(shù)研究[D]. 陳珊.哈爾濱工業(yè)大學(xué) 2018
[2]基于CNN的乳腺癌鉬靶影像病理學(xué)分級算法研究[D]. 海金金.戰(zhàn)略支援部隊信息工程大學(xué) 2018
[3]乳腺腫塊檢測和分析關(guān)鍵技術(shù)研究[D]. 其布爾.東北大學(xué) 2012



本文編號：3253559