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(píng)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(yàn),以及需要較多人機(jī)交互等問(wèn)題。為減少誤診和不必要的穿刺活檢率,以及提高診斷自動(dòng)化程度,本文提出一種端到端的模型,實(shí)現(xiàn)結(jié)節(jié)區(qū)域自動(dòng)提取及良惡性鑒別。方法就超聲圖像散斑噪聲問(wèn)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(shí)現(xiàn)數(shù)據(jù)預(yù)處理,之后針對(duì)結(jié)節(jié)良惡性特征提出一個(gè)改進(jìn)的損失函數(shù)以增強(qiáng)鑒別性能,通過(guò)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(cuò)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(xiàng),用來(lái)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(yàn)證算法的有效性,構(gòu)建了一個(gè)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(duì)比算法;相對(duì)傳統(tǒng)Softm...

【文章頁(yè)數(shù)】：11 頁(yè)

【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(jì)
    2.3 end-to-end超聲圖像識(shí)別框架
3 實(shí)驗(yàn)結(jié)果與分析
    3.1 數(shù)據(jù)集及評(píng)價(jià)指標(biāo)
    3.2 λ和μ參數(shù)的實(shí)驗(yàn)研究
    3.3 實(shí)驗(yàn)對(duì)比
4 結(jié)論



本文編號(hào)：3737373