發(fā)布時間：2023-02-07 20:27

　　目的超聲診斷常作為乳腺腫瘤首選的影像學(xué)檢查和術(shù)前評估方法,但存在良惡性結(jié)節(jié)的圖像表現(xiàn)重疊、診斷嚴(yán)重依賴醫(yī)生經(jīng)驗,以及需要較多人機(jī)交互等問題。為減少誤診和不必要的穿刺活檢率,以及提高診斷自動化程度,本文提出一種端到端的模型,實現(xiàn)結(jié)節(jié)區(qū)域自動提取及良惡性鑒別。方法就超聲圖像散斑噪聲問題使用基于邊緣增強(qiáng)的各向異性擴(kuò)散去噪模型(edge enhanced anisotropic diffusion,EEAD)實現(xiàn)數(shù)據(jù)預(yù)處理,之后針對結(jié)節(jié)良惡性特征提出一個改進(jìn)的損失函數(shù)以增強(qiáng)鑒別性能,通過形狀描述符組合挖掘因形狀與其他類別相似從而易導(dǎo)致錯判的困難樣本,為使該部分困難樣本具有更好的區(qū)分性,應(yīng)用改進(jìn)的損失函數(shù),并在此基礎(chǔ)上構(gòu)建困難樣本形狀約束損失項,用來調(diào)整形狀相似但類別不同樣本間的特征映射。結(jié)果為驗證算法的有效性,構(gòu)建了一個包含1 805幅圖像的乳腺超聲數(shù)據(jù)集,在該數(shù)據(jù)集上具有5年資歷醫(yī)生的平均判斷準(zhǔn)確率為85.3%,而本文方法在該數(shù)據(jù)集上分類正確率為92.58%,敏感性為90.44%,特異性為93.72%,AUC(area under curve)為0.946,均優(yōu)于對比算法;相對傳統(tǒng)Softm...

【文章頁數(shù)】：11 頁

【文章目錄】：
0 引言
1 相關(guān)工作
2 本文算法
    2.1 數(shù)據(jù)預(yù)處理
    2.2 形狀約束損失函數(shù)設(shè)計
    2.3 end-to-end超聲圖像識別框架
3 實驗結(jié)果與分析
    3.1 數(shù)據(jù)集及評價指標(biāo)
    3.2 λ和μ參數(shù)的實驗研究
    3.3 實驗對比
4 結(jié)論



本文編號：3737373