醫(yī)學(xué)圖像是臨床診斷中不可或缺的工具,但解讀醫(yī)學(xué)圖像并給出診斷結(jié)論是勞動(dòng)密集型工作,迫切需要一種高效的計(jì)算機(jī)輔助診斷系統(tǒng),幫助臨床醫(yī)生更好的判讀和決策。深度學(xué)習(xí)的最新進(jìn)展,使我們能夠重新思考基于醫(yī)學(xué)圖像的計(jì)算機(jī)輔助診斷方法,盡管臨床正在接受基于深度學(xué)習(xí)的計(jì)算機(jī)輔助診斷實(shí)踐,但是缺少具有可信賴標(biāo)簽的大型數(shù)據(jù)集,被認(rèn)為是在醫(yī)學(xué)圖像計(jì)算機(jī)輔助診斷應(yīng)用中,成功部署深度學(xué)習(xí)方法所面臨的最大挑戰(zhàn)之一。本文以乳腺超聲圖像計(jì)算機(jī)輔助診斷為切入點(diǎn),圍繞乳腺超聲圖像中的腫瘤定位檢測(cè)、噪音標(biāo)簽樣本學(xué)習(xí)、少樣本學(xué)習(xí)、置信度校準(zhǔn)進(jìn)行研究。本文的主要貢獻(xiàn)和創(chuàng)新點(diǎn)如下:（1）為了進(jìn)行乳腺超聲圖像的腫瘤區(qū)域（ROI）檢測(cè),分析了最新的各種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架,研究了如何利用深度學(xué)習(xí)方法對(duì)乳腺超聲圖像中的腫瘤區(qū)域進(jìn)行檢測(cè)。鑒于乳腺超聲圖像無(wú)開源數(shù)據(jù)集的問(wèn)題,聯(lián)合四川省人民醫(yī)院超聲科專家,收集及標(biāo)注了用于乳腺超聲圖像腫瘤區(qū)域檢測(cè)的數(shù)據(jù)集。在新收集的數(shù)據(jù)集上對(duì)適用于乳腺超聲圖像ROI檢測(cè)的不同方法進(jìn)行了系統(tǒng)的評(píng)估,并為新收集的數(shù)據(jù)集建立了基準(zhǔn)。（2）為了解決具有噪音標(biāo)簽的乳腺超聲圖像ROI分類問(wèn)題,本文提出一種標(biāo)簽分布... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：135 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

傳統(tǒng)基于醫(yī)學(xué)圖像的計(jì)算機(jī)輔助診斷流程

當(dāng)前在臨床診斷過(guò)程中,乳腺超聲圖像的定位檢測(cè)主要依賴于醫(yī)生的經(jīng)驗(yàn)。其過(guò)程如下:醫(yī)生使用超聲儀器找到一個(gè)合適的角度使腫瘤清晰地顯示在屏幕上,然后用一只手長(zhǎng)時(shí)間固定探頭,用另一只手在屏幕上標(biāo)記和測(cè)量腫瘤,標(biāo)記效果如圖2-1所示。這是一項(xiàng)艱巨的任務(wù),因?yàn)槲兆√筋^手的輕微晃動(dòng)會(huì)對(duì)乳腺超聲圖像的質(zhì)量產(chǎn)生影響�；谝陨纤�,在超聲圖像采集過(guò)程中,急需高效自動(dòng)定位檢測(cè)腫瘤感興趣區(qū)域的計(jì)算機(jī)輔助診斷方法。乳腺超聲圖像結(jié)構(gòu)比較復(fù)雜,包含結(jié)締組織、脂肪、肌肉等,腫瘤區(qū)域通常難于識(shí)別。超聲檢查比X射線檢查更加依賴操作員的經(jīng)驗(yàn),并且解讀超聲圖像需要訓(xùn)練有素且經(jīng)驗(yàn)豐富的超聲科醫(yī)生,此外,即使訓(xùn)練有素的專家也可能具有較高的觀察者間差異。腫瘤感興趣區(qū)域(ROI)定義為包含病變和一些背景信息的矩形區(qū)域,因此高效自動(dòng)定位腫瘤ROI對(duì)于提高臨床診斷的速度和準(zhǔn)確性非常有幫助。另外ROI生成方法可以作為分類方法的預(yù)處理步驟,因?yàn)樗诒３帜[瘤區(qū)域和附近的周圍組織不變的同時(shí)切割多余的背景,對(duì)切割不合格的部分圖像再手動(dòng)調(diào)整,可以極大的節(jié)約人力。目前臨床上乳腺超聲圖像的識(shí)別還是基于人工尋找并標(biāo)記ROI,迫切需要一種自動(dòng)定位檢測(cè)腫瘤區(qū)域的計(jì)算機(jī)輔助診斷方法,乳腺超聲圖像的自動(dòng)腫瘤定位檢測(cè)主要面臨如下挑戰(zhàn):

乳腺超聲圖像腫瘤檢測(cè)與計(jì)算機(jī)視覺(jué)中的目標(biāo)檢測(cè)相似,希望能定位圖像中出現(xiàn)的腫瘤位置,并將腫瘤區(qū)域標(biāo)出,從而輔助醫(yī)生快速、準(zhǔn)確的分析病情。乳腺超聲圖像腫瘤檢測(cè)的一般步驟如圖2-2所示,本節(jié)接下來(lái)將介紹這幾個(gè)步驟涉及到的關(guān)鍵性技術(shù)。2.2.1 候選框的生成和檢索

【參考文獻(xiàn)】：
期刊論文
[1]BING: Binarized normed gradients for objectness estimation at 300fps[J]. Ming-Ming Cheng,Yun Liu,Wen-Yan Lin,Ziming Zhang,Paul L.Rosin,Philip H.S.Torr.  Computational Visual Media. 2019(01)
[2]深度學(xué)習(xí)在目標(biāo)視覺(jué)檢測(cè)中的應(yīng)用進(jìn)展與展望[J]. 張慧,王坤峰,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(08)
[3]圖像物體分類與檢測(cè)算法綜述[J]. 黃凱奇,任偉強(qiáng),譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2014(06)



本文編號(hào)：3001378