目的:探討AI技術(shù)對(duì)超聲成像中乳腺腫塊的智能化檢測(cè)與良惡性判定的應(yīng)用價(jià)值,同時(shí)求證AI技術(shù)是否有助于提高初、中級(jí)醫(yī)師對(duì)乳腺腫塊良惡性鑒別診斷的水平。方法:回顧性收集2017年6月至2019年4月在大連大學(xué)附屬中山醫(yī)院以乳腺腫塊為主要就診原因并經(jīng)活檢、手術(shù)病理等證實(shí)的患者401例。其中,良性204例（占50.9%）,惡性197例（占49.1%）,年齡范圍18-89歲,平均年齡（48.8±13.9）歲。原始超聲圖像（包含單幅圖像和組合圖像共582幅）采集完成后,由AI研究人員先對(duì)其預(yù)處理,然后由1名主任醫(yī)師和1名住院醫(yī)師共同對(duì)預(yù)處理后得到的697幅圖像中所有乳腺腫塊進(jìn)行標(biāo)注,并隨機(jī)抽選348幅作為本研究訓(xùn)練集的一部分（訓(xùn)練集中其他超聲圖像來自于外院）,剩余的349幅作為測(cè)試集。本研究采用的AI模型是基于深度學(xué)習(xí)（DL）方法的卷積神經(jīng)網(wǎng)絡(luò)（CNN）中經(jīng)改進(jìn)的RFBNet模型。接下來1名住院醫(yī)師（與標(biāo)注腫塊的住院醫(yī)師為同一位）和1名主治醫(yī)師分別在無AI預(yù)測(cè)結(jié)果輔助條件下對(duì)349幅測(cè)試集圖像進(jìn)行診斷,與此同時(shí),AI研究人員用外院提供的3568幅超聲圖像與本院隨機(jī)選出的348幅圖像共同訓(xùn)練本研究所... 

【文章來源】：遵義醫(yī)科大學(xué)貴州省

【文章頁數(shù)】：41 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

超聲圖像ROI提取過程

遵義醫(yī)科大學(xué)碩士學(xué)位論文羅燕13標(biāo)注審核工作完成后，采用PNG圖像格式保存包含mask區(qū)域的二值圖像（即腫塊區(qū)域?yàn)榘咨�，其他組織區(qū)域?yàn)楹谏�，因�(yàn)橄噍^于JPG格式，PNG格式對(duì)圖像質(zhì)量的損失更校然后AI研究人員再借助標(biāo)注的mask反算bounding-box（在獲得每幅圖像中乳腺腫塊對(duì)應(yīng)mask后，通過計(jì)算mask區(qū)域的最小外接矩形作為bounding-box的真值），最后將其嚴(yán)格按照VOC數(shù)據(jù)集的標(biāo)準(zhǔn)保存為XML格式的文件。1.3.3乳腺腫塊檢測(cè)與分類模型本研究檢測(cè)與分類采用的DL算法是CNN中的RFBNet模型，該模型可在兼顧整體速度的同時(shí)還能達(dá)到較好的效能。針對(duì)乳腺超聲圖像獨(dú)有的特點(diǎn)，AI研究人員對(duì)RFBNet模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了一定程度改進(jìn)和優(yōu)化，基本網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。圖2基本網(wǎng)絡(luò)結(jié)構(gòu)示意圖在RFBNet模型的網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行改進(jìn)如下：（1）由于本研究乳腺超聲圖像中目標(biāo)腫塊數(shù)量少（僅為一個(gè)），且只有兩類（良性和惡性），將NMS的閾值適當(dāng)?shù)卣{(diào)高，從而減少NMS操作、提升算法速度；（2）最初的RFBNet模型中，損失函數(shù)對(duì)自然圖像的檢測(cè)與分類有較好結(jié)果，但是對(duì)于本研究的乳腺超聲圖像，待檢測(cè)與分類目標(biāo)僅為一個(gè)，不存在多個(gè)目標(biāo)腫塊，也不存在多個(gè)重疊腫塊，因此，本研究對(duì)損失函數(shù)做了一定調(diào)整：Lω,pi,pi*=1NclsiLclspi,pi*+λ1Nregipi*Lregti,ti*其中，ω是模型中所有的參數(shù)，i是每幅圖中生成的第i個(gè)bounding-box，pi是第i個(gè)bounding-box的腫塊的預(yù)測(cè)概率，ti是第i個(gè)bounding-box矩形框的位置坐標(biāo)；L代表損失函數(shù)，N代表個(gè)數(shù)，λ是權(quán)重系數(shù)，Lcls是分類任務(wù)的損失函數(shù)，Lreg是檢測(cè)任務(wù)的損失函數(shù)，Ncls是分類任務(wù)的個(gè)數(shù)，Nreg是檢測(cè)任務(wù)的個(gè)數(shù)；pi*和ti*分別是pi和ti

遵義醫(yī)科大學(xué)碩士學(xué)位論文羅燕15醫(yī)師獨(dú)立診斷的結(jié)果，以病理結(jié)果為金標(biāo)準(zhǔn)，計(jì)算準(zhǔn)確率、TPR和TNR等參數(shù)指標(biāo)。參數(shù)指標(biāo)組間差異比較采用McNemar檢驗(yàn)（配對(duì)卡方檢驗(yàn)）。采用ROC曲線分析AI預(yù)測(cè)、住院醫(yī)師獨(dú)立診斷、住院醫(yī)師AI輔助下診斷和主治醫(yī)師獨(dú)立診斷的效能。以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。2結(jié)果2.1原始圖像及其預(yù)處理原始圖像采集工作由住院醫(yī)師完成，預(yù)處理過程由AI研究人員完成。采集原始超聲圖像時(shí)記錄患者姓名、門診號(hào)、性別、年齡、住院號(hào)、癥狀體征、病灶位置、超聲診斷結(jié)果、病理結(jié)果等資料，本研究總共收集401例患者，獲得原始超聲圖像共計(jì)582幅，每位患者可有一幅或多幅（其中，僅含1幅圖像者253例，含2幅圖像者116例，含3幅及以上圖像者32例），部分原始超聲圖像如圖3所示。對(duì)401例患者建立以患者為單元的超聲圖像文件夾（582幅原始超聲圖像和697幅預(yù)處理后超聲圖像均是如此），部分如圖4所示，對(duì)預(yù)處理后的697幅超聲圖像統(tǒng)一命名，具體命名方式如前文所提及，部分如圖5所示。圖3原始超聲圖像示例

【參考文獻(xiàn)】：
期刊論文
[1]人工智能在醫(yī)學(xué)影像分析中的應(yīng)用進(jìn)展[J]. 俞益洲,石德君,馬杰超,周振.  中國醫(yī)學(xué)影像技術(shù). 2019(12)
[2]人工智能在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用與挑戰(zhàn)[J]. 季冰,劉伶俐.  中國醫(yī)學(xué)倫理學(xué). 2019(08)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[J]. 龐絲絲,黃呈鋮.  現(xiàn)代計(jì)算機(jī). 2019(23)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測(cè)與識(shí)別[J]. 唐思源,楊敏,白金牛.  科學(xué)技術(shù)與工程. 2019(22)
[5]Application of artificial intelligence in gastroenterology[J]. Young Joo Yang,Chang Seok Bang.  World Journal of Gastroenterology. 2019(14)
[6]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 張亞倩.  信息通信. 2018(11)
[7]超聲診斷乳腺良、惡性腫塊的臨床應(yīng)用進(jìn)展[J]. 趙琴.  現(xiàn)代醫(yī)用影像學(xué). 2018(06)
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法[J]. 陳瑞瑞.  河南科技學(xué)院學(xué)報(bào)(自然科學(xué)版). 2018(04)
[9]深度卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別算法中的研究與實(shí)現(xiàn)[J]. 韓星爍,林偉.  微型機(jī)與應(yīng)用. 2017(21)
[10]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測(cè)應(yīng)用綜述[J]. 周俊宇,趙艷明.  計(jì)算機(jī)工程與應(yīng)用. 2017(13)



本文編號(hào)：3363752