隨著乳腺癌發(fā)病率的升高,對乳腺癌患者的預(yù)后進(jìn)行精準(zhǔn)預(yù)測是當(dāng)前乳腺癌研究領(lǐng)域所面臨的關(guān)鍵問題,其中乳腺癌淋巴結(jié)轉(zhuǎn)移預(yù)測是乳腺癌預(yù)后預(yù)測的重要研究內(nèi)容之一。準(zhǔn)確地預(yù)測乳腺癌患者淋巴結(jié)是否轉(zhuǎn)移對于患者的生存質(zhì)量,指導(dǎo)臨床醫(yī)生制定準(zhǔn)確又合適的治療方案都有著重大意義。隨著影像技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展,不少研究開始針對乳腺癌核磁共振圖像進(jìn)行數(shù)據(jù)分析,建立精準(zhǔn)的預(yù)測模型來輔助臨床治療決策。本文在總結(jié)前人研究工作的基礎(chǔ)上,分析當(dāng)前病灶分割和前哨淋巴結(jié)轉(zhuǎn)移預(yù)測領(lǐng)域的不足,進(jìn)而提出了基于U-Net的多尺度感知分割網(wǎng)絡(luò)、基于特征工程的分類預(yù)測模型和雙路多尺度病灶感知網(wǎng)絡(luò)。本文的主要貢獻(xiàn)在于:首先,本文提出了多尺度感知分割網(wǎng)絡(luò)。這個數(shù)據(jù)集存在以下難點(diǎn):病灶周圍組織和病灶區(qū)域?qū)Ρ榷炔粔?病灶的毛刺多且不規(guī)則。為了解決上述問題,本文基于U-Net引入了空洞卷積,提出了多尺度感知模塊。實(shí)驗(yàn)證明,針對比較難分割的樣本,本文提出的多尺度感知分割網(wǎng)絡(luò)可以更好地定位病灶位置以及勾畫病灶區(qū)域,測試結(jié)果優(yōu)于現(xiàn)有的最常用及性能優(yōu)越的算法。其次,在充分調(diào)研國內(nèi)外醫(yī)學(xué)圖像預(yù)測的研究后,本文采用特征工程來對前哨淋巴結(jié)轉(zhuǎn)移進(jìn)行預(yù)測。在提取手工特征的基礎(chǔ)上,本文使用預(yù)訓(xùn)練的深度卷積網(wǎng)絡(luò)VGG和ResNet來提取圖像特征,并且采用特征金字塔的方法來整合VGG的高分辨率細(xì)節(jié)特征和高維語義特征,最后,結(jié)合手工特征和網(wǎng)絡(luò)特征對比了多種特征選擇算法和分類預(yù)測方法。最后,本文采用深度學(xué)習(xí)的方法來進(jìn)行乳腺癌前哨淋巴結(jié)轉(zhuǎn)移預(yù)測。本文提出了雙路多尺度病灶感知網(wǎng)絡(luò),針對乳腺癌病灶和背景分別進(jìn)行分析,每條支路結(jié)合了Inception和MSCAN模塊,并在此基礎(chǔ)上引入注意力機(jī)制,可以使網(wǎng)絡(luò)的病灶分析支路更加集中于病灶區(qū)域的學(xué)習(xí)。
【學(xué)位單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R737.9;R445.2;TP18
【部分圖文】：

圖 1-1 Horowitz Pavlidis (HP2 & HP4)結(jié)果示例[4]基于邊界的分割方法是圖像分割的途徑之一。邊緣是區(qū)域之間的交界，是灰度級者結(jié)構(gòu)突變的地方，所以邊緣也可理解為灰度空間中突變像素的集合。圖像邊緣主要括方向和幅度這兩個因素，通常會采用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來檢測邊緣。 將圖像看

c) Prewitt 算子 d) Sobel 算子圖 1-2 邊緣算子[13]而上述提到的兩種方法在處理圖像當(dāng)中都有優(yōu)劣之處，于是就有研究嘗試結(jié)合邊提取和種子區(qū)域生長兩種方法，來提高分割準(zhǔn)確性和魯棒性[18,19,20]。最近幾年也有研

感知機(jī)神經(jīng)元模型
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 徐麗瑩,孔祥泉,徐海波,劉定西,于群;乳腺癌MRI診斷的臨床應(yīng)用價(jià)值[J];臨床放射學(xué)雜志;2004年01期

相關(guān)碩士學(xué)位論文 前1條

1 王超;基于影像組學(xué)的乳腺癌病灶分割及預(yù)后分析[D];哈爾濱理工大學(xué);2017年

本文編號：2891495