【摘要】：隨著社會經(jīng)濟發(fā)展與人民生活水平提高,人們對健康越來越重視,特別是對疾病精準快速診斷與個性化治療。乳腺癌是對女性健康威脅最大的惡性腫瘤之一,動態(tài)對比增強磁共振成像(DCE-MRI)在乳腺癌早期檢測和診斷方面已得到廣泛應(yīng)用。在乳腺癌診斷中,以乳腺DCE-MRI影像為對象的計算機輔助診斷(Computer Aided Diagnosis,CAD)系統(tǒng)是通過提取病灶區(qū)域的人工特征對病變情況進行辨別,這些人工特征提取需要豐富的經(jīng)驗且具有主觀性。在乳腺癌治療中,醫(yī)生通常根據(jù)患者不同的乳腺癌分子分型制定不同的治療方案,而乳腺癌分子分型的分類則是通過患者乳腺癌組織的免疫組化學結(jié)果進行確診,其診斷過程操作復雜且有創(chuàng)傷性。受限于上述的乳腺癌診療方法,不能滿足精準診斷與個性化治療的需求。因此,對乳腺癌的診療方法需要進一步改進。目前深度學習方法可以自動學習圖像中不同深度的特征,該方法已經(jīng)廣泛應(yīng)用于模式識別的領(lǐng)域,并且取得了比傳統(tǒng)提取人工特征方法更好的效果。基于現(xiàn)有深度學習的方法與經(jīng)驗,本文探索了卷積神經(jīng)網(wǎng)絡(luò)在DCE-MRI乳腺癌診斷及分子分型預測中的應(yīng)用,主要研究內(nèi)容如下:首先,本文根據(jù)醫(yī)生標注的病灶信息,從原始DCE-MRI影像中提取包含病灶的目標圖像,并通過放縮、旋轉(zhuǎn)、滑動窗、鏡像等方式對其進行數(shù)據(jù)擴充,將原始數(shù)據(jù)中的病灶特征盡可能地分布在擴充數(shù)據(jù)中,為深度學習計算準備數(shù)據(jù)。其次,本文針對實驗數(shù)據(jù)特點,構(gòu)建了二維卷積神經(jīng)網(wǎng)絡(luò)模型與三維卷積神經(jīng)網(wǎng)絡(luò)模型,通過分析不同維度的病灶特點,對乳腺腫瘤良惡性進行預測。實驗結(jié)果表明,具有更多卷積層的二維卷積神經(jīng)網(wǎng)絡(luò)取得了更好的分類預測效果;在模型參數(shù)隨機初始化的情況下,三維卷積神經(jīng)網(wǎng)絡(luò)在預測分類中效果更好;利用其它模型參數(shù)遷移初始化時,二維卷積神經(jīng)網(wǎng)絡(luò)預測分類的結(jié)果獲得較大提升。最后,針對乳腺癌分子分型的預測問題,利用上述二維卷積神經(jīng)網(wǎng)絡(luò)與三維卷積神經(jīng)網(wǎng)絡(luò),同時結(jié)合影像中時間維度的動態(tài)增強信息進行分類。實驗結(jié)果表明,利用其他模型參數(shù)遷移初始化的二維卷積神經(jīng)網(wǎng)絡(luò)取得較好的預測結(jié)果。采用深度學習方法對乳腺癌良惡性進行分類預測取得較好效果,對乳腺癌分子分型進行分類預測效果不明顯,但是這種通過影像預測乳腺癌分子分型的方法確實存在效果。本文探索了基于深度學習的DCE-MRI乳腺癌診斷及分子分型預測。深度學習方法對乳腺癌的良惡性分類取得了較好的結(jié)果;對乳腺癌分子分型的預測具有一定的預測效果,這種通過無創(chuàng)傷方式進行乳腺癌分子分型的預測具有潛在的價值。
【學位授予單位】：杭州電子科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R737.9;R445.2
【圖文】：

每個分叉又與其他的神經(jīng)元的樹突通過突觸(synapses) 相連接。圖2.1 右側(cè)圖是對左側(cè)圖中生物神經(jīng)元的一種數(shù)學上的抽象模型。神經(jīng)元通過樹突接收到來自其他神經(jīng)元傳來的信號，這些輸入信號通過帶權(quán)重的連接進行傳遞, 在細胞核內(nèi)進行匯總, 然后通過激活函數(shù)處理以產(chǎn)生神經(jīng)元的輸出。圖 2.1 生物神經(jīng)元與相應(yīng)的數(shù)學抽象模型如果輸入 x (0 1 2, , ,...,nx x x x )，權(quán)重為 w (0 1 2, , ,...,nw w w w )，則根據(jù)神經(jīng)元模型其計算入過程可以理解為，已知 x 為輸入樣本，其中0x 的是常量值為 1， w 為神經(jīng)元連接上的權(quán)重，b 為偏置項， y 為輸入加權(quán)計算結(jié)果

其結(jié)構(gòu)如圖2.2 所示，其功能是將一組輸入向量映射到一組輸出向量，換而言之就是一種函數(shù)關(guān)系表達式，輸入向量是自變量，輸出向量數(shù)因變量，而多層神經(jīng)網(wǎng)絡(luò)就是一個函數(shù)表達式實現(xiàn)的過程。多層神經(jīng)網(wǎng)絡(luò)能夠表達復雜的函數(shù)關(guān)系，究其原因是其內(nèi)在結(jié)構(gòu)上包含了大量的神經(jīng)節(jié)點，同時每個節(jié)點帶有非線性激活函數(shù)，經(jīng)過多層網(wǎng)絡(luò)的結(jié)合，形成結(jié)構(gòu)復雜，但功能強大的多層網(wǎng)絡(luò)。因此，多層神經(jīng)網(wǎng)絡(luò)可以表示出復雜的函數(shù)表達。下文中介紹多層神經(jīng)網(wǎng)絡(luò)中的典型基本算法。圖 2.2 多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖在多層神經(jīng)網(wǎng)絡(luò)中，比較有代表性的部分有激活函數(shù)、假設(shè)函數(shù)、Softmax 函數(shù)、損失函數(shù)、隨機梯度下降、反向傳播算法等，同時這些算法也是卷積神將網(wǎng)絡(luò)中的基本算法。由于本文中所用的深度學習方法，即以卷積神經(jīng)網(wǎng)絡(luò)為核心，下文將對這些部分所設(shè)計的算法原理、數(shù)學原理方面進行闡述。

【參考文獻】

相關(guān)期刊論文 前3條

1 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

2 趙莉蕓;周純武;張仁知;李靜;;動態(tài)增強MRI定量參數(shù)與乳腺癌分子亞型的關(guān)系[J];中國醫(yī)學影像技術(shù);2013年07期

3 汪寶彬;戴濟能;;隨機梯度下降法的收斂速度(英文)[J];數(shù)學雜志;2012年01期

相關(guān)碩士學位論文 前2條

1 李飛騰;卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[D];大連理工大學;2014年

2 王強;基于CNN的字符識別方法研究[D];天津師范大學;2014年

本文編號：2731568