【摘要】：乳腺癌已經(jīng)成為了女性致死率最高的癌癥之一,近年來(lái)中國(guó)的乳腺癌發(fā)病率在持續(xù)上升。臨床數(shù)據(jù)表明,早發(fā)現(xiàn)早治療將大幅度提升患者的生存率。乳腺超聲影像技術(shù)憑借著自身價(jià)格低廉和安全無(wú)侵入的特點(diǎn)逐漸成為乳腺癌診斷的主流方式。計(jì)算機(jī)輔助診斷系統(tǒng)的出現(xiàn)可以更好的輔助醫(yī)生進(jìn)行閱片和診斷,降低誤診率和漏診率,在提升診斷的客觀性和準(zhǔn)確性方面效果顯著�；谏疃葘W(xué)習(xí)的乳腺超聲圖像分割技術(shù)在近年蓬勃發(fā)展,其精度已經(jīng)遠(yuǎn)超傳統(tǒng)方式,但仍有不足之處。目前主要存在以下問(wèn)題,首先,對(duì)于單目標(biāo)腫瘤分割,由于超聲圖像整體上對(duì)比度較低、噪聲較強(qiáng),且圖像中常存在與腫瘤相似的低回聲區(qū)域,容易出現(xiàn)分割結(jié)果偏移或錯(cuò)位的情況,同時(shí)分割結(jié)果較為粗糙,其邊緣不夠精細(xì)。其次,對(duì)于多目標(biāo)腫瘤分割,當(dāng)多個(gè)腫瘤目標(biāo)距離較近時(shí),模型難以將對(duì)象之間邊界清晰分離,常導(dǎo)致其彼此粘連為一個(gè)整體;當(dāng)腫瘤相距較遠(yuǎn)時(shí),大多數(shù)模型只能分割出其中一部分目標(biāo),缺乏全局視野,易出現(xiàn)漏檢情況。最后,主流模型在多尺度腫瘤檢測(cè)問(wèn)題上的表現(xiàn)不盡人意,圖像中尺寸較小的腫瘤存在較高的漏檢率,對(duì)于尺度較大的腫瘤則難以較好的實(shí)現(xiàn)完整分割。為了解決上述問(wèn)題,本文針對(duì)于乳腺超聲圖像腫瘤自動(dòng)分析任務(wù),提出一種基于醫(yī)學(xué)先驗(yàn)知識(shí)的多目標(biāo)、多腫瘤分割方法。該方法在Mask R-CNN基礎(chǔ)上分別對(duì)模型的輸入模塊、定位模塊和輸出模塊做出了改進(jìn)。本文方法可以全自動(dòng)的定位并且分割出乳腺超聲圖像的腫瘤區(qū)域,主要研究工作可總結(jié)為以下方面:(1)改進(jìn)特征金字塔網(wǎng)絡(luò)(FPN)提升了模型的整體表現(xiàn)。首先修改了候選區(qū)域生成網(wǎng)絡(luò)中錨框的尺寸以匹配乳腺超聲圖像數(shù)據(jù)集,使用小波變換與彈性形變來(lái)進(jìn)行圖像增強(qiáng),以此形成具有良好表現(xiàn)的基線(xiàn)模型。針對(duì)FPN中輸出的特征圖金字塔層與層之間的關(guān)系,將五層輸出進(jìn)行特征融合均衡化,有效地將高層的語(yǔ)義信息同低層的位置信息融合起來(lái),使每層具有相對(duì)均衡的特征信息,提升了模型的平均精度。(2)提出多尺度適應(yīng)的乳腺超聲腫瘤識(shí)別方法。首先結(jié)合相位一致性原理進(jìn)行乳腺層定位,利用背景顯著性生成腫瘤位置預(yù)測(cè)概率圖,再將其與基線(xiàn)模型的概率圖輸出融合,得到經(jīng)過(guò)醫(yī)學(xué)先驗(yàn)知識(shí)約束后的腫瘤分割結(jié)果。然后使用空洞卷積替換候選區(qū)域生成網(wǎng)絡(luò)(RPN)中的卷積層,再堆疊五層不同膨脹率的卷積構(gòu)成層級(jí)金字塔RPN結(jié)構(gòu),增大感受野的同時(shí)使參數(shù)量保持不變,五路并行單獨(dú)訓(xùn)練的方式能更好的感知到不同尺寸的目標(biāo),有效提升本模型在多尺度腫瘤分割問(wèn)題上的表現(xiàn),其中對(duì)小腫瘤檢測(cè)準(zhǔn)確率的提高約為2%。最后模型接入了全連接條件隨機(jī)場(chǎng)進(jìn)行協(xié)同訓(xùn)練,一定程度上改善了分割結(jié)果對(duì)于細(xì)節(jié)的表達(dá),使其更加精細(xì)化。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：R737.9;R445.1;TP391.41
【圖文】：

圖 3-1 本文 Mask R-CNN 模型細(xì)節(jié)本文分別測(cè)試了將 Resnet18 和 Resnet50 作為模型核心骨架的不同表現(xiàn)，在保證不過(guò)擬合的前提下，Resnet50 模型檢測(cè)效果稍好，最終核心骨架選擇Resnet50 和特征金字塔網(wǎng)絡(luò)。將原圖輸入 Resnet50 中，第一組卷積層的大小是64×7×7 后接極大值池化，第二組卷積層為 3 個(gè)步長(zhǎng)均為 1 的卷積，卷積核大小分別為64×1×1、64×3×3和256×1×1，第三組卷積核大小分別為128×1×1、128×3×3和 512×1×1，第四組卷積核大小分別為 256×1×1、256×3×3 和 1024×1×1，第五組卷積核大小分別為 512×1×1、512×3×3 和 2048×1×1，由此輸出特征圖{ C2，C3，C4，C5}。隨后本文實(shí)驗(yàn)將 P2 到 P6 特征圖輸入 RPN 網(wǎng)絡(luò)，每一個(gè)特征圖進(jìn)行卷積核大小為 3×3 的卷積進(jìn)行特征提煉，然后分別輸入到兩個(gè)并行的 1×1 卷積分別作分類(lèi)和回歸，得到的 RPN 結(jié)果候選框集合。目標(biāo)檢測(cè)的過(guò)程中在同一目標(biāo)的位置上會(huì)產(chǎn)生大量的候選框，這些候選框相互之間可能會(huì)有重疊，此時(shí)我們需要利用非極大值抑制找到最佳的目標(biāo)邊界框，消除冗余的邊界框[54]。從每一個(gè)特征圖的結(jié)果中選取 200 個(gè)分?jǐn)?shù)最高的錨框，并進(jìn)行閾值為 0.7 的非極大抑制，將 P2 到 P6 特征圖的共計(jì) 1000 個(gè)錨框進(jìn)行合并，從中選取得分最高的前 200 個(gè)

進(jìn)一步增加了深層次的低層信息。文獻(xiàn)[62]提出了一種基于 SSD 的新型高效金字塔，它以高度非線(xiàn)性的方式集成了多層特征。這些方法檢測(cè)精度的提升給我們帶來(lái)啟發(fā)，即底層的位置細(xì)節(jié)信息和高層的語(yǔ)義信息互為補(bǔ)充，都是最終檢測(cè)分割任務(wù)不可缺少的輸入，因此如何整合金字塔多層特征的信息決定了模型的整體表現(xiàn)。3.3.2 特征聚合均衡化在實(shí)驗(yàn)中發(fā)現(xiàn) FCN 模型輸出的 5 個(gè)特征圖之間的特征信息是不平衡的。舉例來(lái)說(shuō)，P2 難以獲得 P5 的豐富位置特征信息，P5 也較難充分獲得 P2 的豐富語(yǔ)義信息。上文提到的方法大多通過(guò)修改結(jié)構(gòu)，利用橫向連接的方式聚合不同層特征。但是這些方法存在問(wèn)題，首先是長(zhǎng)距離信息流動(dòng)導(dǎo)致信息損失，其次，順序疊加方式使特征聚合局限在相鄰特征層，然而實(shí)驗(yàn)證明所有層級(jí)的信息都有其各自的重要性。根據(jù)以上分析提出本節(jié)方法，首先將輸出每層的特征縮放成相同尺度，再進(jìn)行像素級(jí)的聚合均值化，然后再縮放回原尺度，更簡(jiǎn)單也更高效，結(jié)構(gòu)如圖 3-2 所示。

有效的將底層信息和高層信息聚合在一起，通過(guò)均衡化的方強(qiáng)特征圖信息的目的。數(shù)據(jù)集生成 數(shù)據(jù)采集及標(biāo)注為了驗(yàn)證乳腺腫瘤檢測(cè)分割方法，本文使用由 617 張乳腺超聲圖像集，圖像的平均尺寸為 600×480 像素，每一幅圖像均由經(jīng)驗(yàn)豐富的醫(yī)生按照金標(biāo)準(zhǔn)進(jìn)行手工標(biāo)注。本實(shí)驗(yàn)使用的數(shù)據(jù)來(lái)自哈爾濱醫(yī)科屬醫(yī)院，來(lái)自于兩套系統(tǒng)：VIVID 7（GE）和 EUB-6500（Hitachi）。，所有病人信息數(shù)據(jù)都被嚴(yán)格保護(hù)。數(shù)據(jù)集采集和初步制作的結(jié)果如圖 3-3 所示，具體步驟是先獲取圖廓邊界，經(jīng)過(guò)二值化處理后生成如圖 3-3(b)的黑白圖，將其作為模分支的 Ground Truth，并將標(biāo)定的外接矩形框作為模型檢測(cè)分支的 G，如圖 3-3(c)所示。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高東平;池慧;楊國(guó)忠;;乳腺超聲圖像本體構(gòu)建研究[J];北京生物醫(yī)學(xué)工程;2015年04期

2 許靜晶;;BI-RADS分級(jí)在乳腺超聲診斷中的應(yīng)用[J];人人健康;2016年22期

3 劉艷梅;;精心出版細(xì)節(jié) 專(zhuān)注精品打造——《乳腺超聲與病理》出版體會(huì)談[J];科技與出版;2009年12期

4 張縉熙;乳腺超聲的現(xiàn)狀及展望[J];中國(guó)超聲醫(yī)學(xué)雜志;1995年04期

5 余春銘;;婦女健康體檢中乳腺超聲的應(yīng)用價(jià)值探析[J];中國(guó)婦幼健康研究;2017年S4期

6 劉小銘;;乳腺超聲在婦女健康體檢中發(fā)現(xiàn)乳腺疾病的應(yīng)用價(jià)值[J];中國(guó)實(shí)用醫(yī)藥;2014年14期

7 王慧群;王丹輝;王照輝;;女童正常乳腺超聲測(cè)值及超聲表現(xiàn)研究[J];中外女性健康研究;2019年21期

8 葉虹;宣冀韓;紹娟;;乳腺超聲結(jié)合鉬靶在良、惡性病變?cè)\斷中的應(yīng)用[J];齊齊哈爾醫(yī)學(xué)院學(xué)報(bào);2015年20期

9 吳艷春;;乳腺超聲在女干部健康體檢中的應(yīng)用價(jià)值分析[J];大醫(yī)生;2019年01期

10 任維東;;婦女健康體檢中乳腺超聲的應(yīng)用與意義評(píng)析[J];影像研究與醫(yī)學(xué)應(yīng)用;2018年09期

相關(guān)會(huì)議論文 前10條

1 彭玉蘭;唐沖;聶珊;敬基剛;張和慶;馬步云;吳艷艷;劉營(yíng);;乳腺超聲報(bào)告數(shù)據(jù)庫(kù)醫(yī)學(xué)信息的數(shù)據(jù)挖掘研究[A];慶祝中國(guó)超聲診斷50年暨第十屆全國(guó)超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議論文匯編[C];2008年

2 田家瑋;王寒梅;;數(shù)字化乳腺超聲圖片庫(kù)的設(shè)計(jì)與實(shí)現(xiàn)[A];中國(guó)超聲醫(yī)學(xué)工程學(xué)會(huì)第七屆全國(guó)腹部超聲學(xué)術(shù)會(huì)議學(xué)術(shù)論文匯編[C];2007年

3 李萍;肖春華;湯清雯;;乳腺超聲報(bào)告與數(shù)據(jù)系統(tǒng)在乳腺腫瘤診斷中的臨床應(yīng)用[A];中國(guó)超聲醫(yī)學(xué)工程學(xué)會(huì)第四屆全國(guó)淺表器官及外周血管超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議論文匯編[C];2013年

4 劉佳;姜瑜;周瑜;;年齡對(duì)正常女性及妊娠期女性乳腺超聲彈性評(píng)分的影響[A];中國(guó)超聲醫(yī)學(xué)工程學(xué)會(huì)第四屆全國(guó)淺表器官及外周血管超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議論文匯編[C];2013年

5 葛嘉;;乳腺超聲BI-RADS分級(jí)[A];第四屆全國(guó)醫(yī)學(xué)影像中西醫(yī)結(jié)合青年醫(yī)師論壇暨第四屆《中國(guó)中西醫(yī)結(jié)合影像學(xué)雜志》編委會(huì)會(huì)議資料匯編[C];2015年

6 彭玉蘭;;乳腺超聲BI-RADS解讀[A];中國(guó)超聲醫(yī)學(xué)工程學(xué)會(huì)2016全國(guó)顱腦及頸部血管超聲醫(yī)學(xué)學(xué)術(shù)大會(huì)暨2016全國(guó)血管與淺表器官超聲高級(jí)研討班講義匯編[C];2016年

7 周世崇;常才;范亦武;;乳腺超聲分級(jí)體系診斷標(biāo)準(zhǔn)的研究[A];中國(guó)超聲醫(yī)學(xué)工程學(xué)會(huì)第二次全國(guó)淺表器官及外周血管超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議論文匯編[C];2009年

8 蘆愛(ài)霞;;乳腺超聲BI-RADS分級(jí)方法的初步探討[A];中國(guó)超聲醫(yī)學(xué)工程學(xué)會(huì)第三次全國(guó)淺表器官及外周血管超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議（高峰論壇）論文匯編[C];2011年

9 周瑜;劉佳;;參照區(qū)大小對(duì)乳腺超聲彈性應(yīng)變率比值測(cè)值結(jié)果影響的對(duì)比研究[A];中國(guó)超聲醫(yī)學(xué)工程學(xué)會(huì)第三次全國(guó)淺表器官及外周血管超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議（高峰論壇）論文匯編[C];2011年

10 彭玉蘭;羅洪浩;趙海娜;史巖;;超聲圖像特征預(yù)測(cè)乳腺癌風(fēng)險(xiǎn)和評(píng)估分類(lèi)的初步研究[A];中國(guó)超聲醫(yī)學(xué)工程學(xué)會(huì)第四屆全國(guó)淺表器官及外周血管超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議論文匯編[C];2013年

相關(guān)博士學(xué)位論文 前5條

1 劉暢;基于PMUT線(xiàn)陣柱形運(yùn)動(dòng)的乳腺超聲CT系統(tǒng)設(shè)計(jì)及成像算法研究[D];中北大學(xué);2019年

2 劉研;基于雙模態(tài)乳腺超聲圖像的良惡性分類(lèi)及其關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2013年

3 劉博;乳腺超聲圖像中的腫瘤區(qū)域定位與腫瘤分類(lèi)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2010年

4 高梁;超聲圖像乳腺腫瘤分割新方法研究[D];電子科技大學(xué);2013年

5 奧瑪爾;乳腺超聲斷層圖像重建:計(jì)算與性能分析[D];華中科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 付貴山;深度學(xué)習(xí)乳腺超聲圖像分類(lèi)器及其可解釋性研究[D];哈爾濱工業(yè)大學(xué);2019年

2 趙旭;基于醫(yī)學(xué)先驗(yàn)的多尺度乳腺超聲腫瘤實(shí)例分割方法[D];哈爾濱工業(yè)大學(xué);2019年

3 莫林(Molin Alexander);乳腺超聲圖像的全自動(dòng)分割[D];哈爾濱工業(yè)大學(xué);2019年

4 柴瀟;Gail模型在乳腺超聲分類(lèi)BI-RADS4類(lèi)中的應(yīng)用[D];廣西醫(yī)科大學(xué);2019年

5 王恒立;基于全卷積網(wǎng)絡(luò)的乳腺超聲圖像語(yǔ)義分割方法[D];哈爾濱工業(yè)大學(xué);2018年

6 肖婷;基于深度特征遷移與融合的乳腺超聲圖像分類(lèi)[D];重慶大學(xué);2018年

7 梁舒;基于殘差學(xué)習(xí)U型卷積神經(jīng)網(wǎng)絡(luò)的乳腺超聲圖像腫瘤分割研究[D];華南理工大學(xué);2018年

8 梁澄宇;三維乳腺超聲圖像的自動(dòng)分割研究[D];南京大學(xué);2017年

9 任姣姣;基于高級(jí)語(yǔ)義特征映射的乳腺超聲圖像分類(lèi)研究[D];哈爾濱工業(yè)大學(xué);2012年

10 邵昊陽(yáng);基于視覺(jué)顯著性的乳腺超聲序列圖像分割方法[D];哈爾濱工業(yè)大學(xué);2015年

本文編號(hào)：2759873