【摘要】：前列腺癌(Prostate Cancer,PCa)是當(dāng)今世界上診斷出的威脅男性身體健康的第二大癌癥。PCa生長(zhǎng)進(jìn)化的特征主要有以下兩種類(lèi)型:(1)緩慢生長(zhǎng)的腫瘤,其生長(zhǎng)緩慢并且通常與前列腺相連;(2)快速生長(zhǎng)的腫瘤,其易從前列腺轉(zhuǎn)移到其他器官,這可能導(dǎo)致不可治愈的疾病。因此,對(duì)前列腺癌的早期診斷和風(fēng)險(xiǎn)評(píng)估在患者的治療和隨訪中起著主要作用。在實(shí)踐中,診斷可能受多種因素影響,如觀察者的多樣性以及病灶的可見(jiàn)性和復(fù)雜性。基于此,設(shè)計(jì)一個(gè)計(jì)算機(jī)輔助檢測(cè)和診斷系統(tǒng),以幫助放射科醫(yī)師進(jìn)行臨床實(shí)踐是很有必要的。計(jì)算機(jī)輔助檢測(cè)技術(shù)(Computer-Aided Detection and Diagnosis,CAD)可以減輕臨床的放射科醫(yī)生在進(jìn)行閱片時(shí)的負(fù)擔(dān),可以做到有效的輔助臨床醫(yī)生進(jìn)行癌癥病癥的診斷,提升臨床醫(yī)生的工作效率。目前絕大多數(shù)的前列腺癌定位系統(tǒng)都是將系統(tǒng)分為四個(gè)依賴(lài)性的分支:1)不同模態(tài)圖像對(duì)之間的配準(zhǔn);2)已配準(zhǔn)前列腺區(qū)域的分割;3)區(qū)域特征提取;4)對(duì)特征分類(lèi)得出真正的病灶區(qū)。顯然這種后一步驟依賴(lài)前一步驟的結(jié)果的處理方式會(huì)造成信息的損失,使得定位結(jié)果和分類(lèi)結(jié)果不精確。并且其使用的多為傳統(tǒng)的圖像處理算法,本文緊貼目前火爆的深度學(xué)習(xí)算法,將該算法應(yīng)用至醫(yī)學(xué)圖像中,提出了基于弱監(jiān)督的端到端的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)框架,解決醫(yī)學(xué)圖像數(shù)據(jù)標(biāo)簽缺少以及處理過(guò)程中信息損失的問(wèn)題,其主要工作如下:1.提出了一個(gè)基于CNN的弱監(jiān)督的端到端的全自動(dòng)前列腺癌定位系統(tǒng),該系統(tǒng)可以做到在確定患者患有癌癥的同時(shí)定位出病灶的相關(guān)位置。該系統(tǒng)可以做到在輸入完整的表觀擴(kuò)散系數(shù)圖像(Apparent Diffusion Coefficient,ADC)和T2-權(quán)值圖像(T2-weighted,T2w)對(duì)時(shí),在網(wǎng)絡(luò)中完成圖像的分割,以及癌癥病灶區(qū)域的定位和癌癥的分類(lèi)。提出了不一致性損失函數(shù)和分類(lèi)損失函數(shù)來(lái)聯(lián)合優(yōu)化網(wǎng)絡(luò),使得ADC和T2w圖像生成的響應(yīng)圖達(dá)到一致性,從而達(dá)到更好的定位精度。該損失函數(shù)使得我們提出的網(wǎng)絡(luò)結(jié)構(gòu)有了更好的前列腺癌分類(lèi)和定位功能,取得了很好的實(shí)驗(yàn)結(jié)果。2.提出了一個(gè)基于CNN的多模型的組織變形網(wǎng)絡(luò)(TissueDeformationNetwork,TDN)網(wǎng)絡(luò)結(jié)構(gòu)用于不同模態(tài)圖像對(duì)之間的配準(zhǔn),應(yīng)用了薄板樣條變換(Thin Plate Spline,TPS)來(lái)對(duì)圖像進(jìn)行形變。該網(wǎng)絡(luò)結(jié)構(gòu)可以應(yīng)用于任何的神經(jīng)網(wǎng)絡(luò)架構(gòu)之前作為圖像對(duì)的配準(zhǔn)算法,其反向傳導(dǎo)利用的是后續(xù)的分類(lèi)和定位的損失函數(shù),而不僅僅是基于兩個(gè)圖像對(duì)之間的互信息,可以使得配準(zhǔn)結(jié)果更加的利于定位和分類(lèi)工作。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：R737.25;TP391.41
【圖文】：

篇幅綜述了針對(duì)該系統(tǒng)的相關(guān)研究。目前己知的ＣＡＤｅ通常分為以下四個(gè)步驟來(lái)完逡逑成檢測(cè)：１）多模態(tài)的圖像之間的配準(zhǔn)；２）前列腺區(qū)域的分割；３）提取特征４）分逡逑類(lèi)檢測(cè)。如下圖１．１所示：逡逑；：多參數(shù)ＭＲＩ圖像ｊ邐；邋診斷結(jié)果邋＇逡逑邐ｉ邐邐Ｉ邐逡逑預(yù)處理分類(lèi)逡逑／邐Ｉ邐＼＼邐候選Ｅ域生成逡逑邐ＪｓＬ＿＿邐邐Ｉ邋邐＿＿＾邐１１逡逑（Ｔ２ＷＩ邋：丨！邋ＡＤＣ邋）邐（邋Ｋｔｒａｎｓ邋｝逡逑特征提取逡逑邐士邋Ｚ邐邐邐邐逡逑配準(zhǔn)分割逡逑（Ｔ２ＷＩ，ＡＤＣ，Ｋｔｒａｎｓ．ｅｔｃ．）邐Ｉ邋（前到腺■邋＾邋心腺體邋＿）逡逑圖１．１前列腺ＣＡＤｅ流程圖逡逑現(xiàn)有的這些系統(tǒng)，在特征的選取及疑似癌癥區(qū)域的分類(lèi)、ＭＲＩ圖像的格式、以逡逑及用于特征融合和分類(lèi)的算法上都有很大的差異。第一代的系統(tǒng)是在２００３年由Ｃｈａｎ逡逑等人？開(kāi)發(fā)出來(lái)的，該系統(tǒng)利用共生矩陣和離散余弦變換從線性掃描圖像，Ｔ２和Ｔ２ｗ逡逑圖像中提取前列腺外周帶（ＰｅｒｉｐｈｅｒａｌＺｏｎｅ，邋ＰＺ）的紋理特征，然后利用一個(gè)支持向逡逑量機(jī)（Ｓｕｐｐｏｒｔ邋Ｖｅｃｔｏｒ邋Ｍａｃｈｉｎｅ，ＳＶＭ）分類(lèi)器對(duì)提取的特征進(jìn)行分類(lèi)生成概率圖。之逡逑后，在２００９年Ｌａｎｇｅｒ等人１１２１的研究中，他們利用動(dòng)態(tài)對(duì)比增強(qiáng)磁共振成像（Ｄｙｎａｍｉｃ逡逑Ｃｏｎｔｒａｓｔ－Ｅｎｈａｎｃｅｄ邋Ｍａｇｎｅｔｉｃ邋Ｒｅｓｏｎａｎｃｅ邋Ｉｍａｇｉｎｇ，ＤＣＥ－ＭＲＩ）和藥代動(dòng)力學(xué)參數(shù)圖作為逡逑特征對(duì)前列腺的ＰＺ區(qū)進(jìn)行像素點(diǎn)分類(lèi)。Ｔｉｗａｒｉ等人（２０１２；）［＠則研宄了磁共振波譜和逡逑Ｔ２ｗ成像相結(jié)合的方法去辨別癌癥像素。同年

弱監(jiān)督的深度學(xué)習(xí)模型。我們將這些獨(dú)立的模塊整合到我們的多模型的深度學(xué)習(xí)網(wǎng)逡逑絡(luò)中去，僅僅利用單張圖像標(biāo)記的是否患癌的信息去訓(xùn)練該網(wǎng)絡(luò)得出癌癥響應(yīng)圖和逡逑癌癥分類(lèi)結(jié)果。圖１．２給出了本文的前列腺癌檢測(cè)ＣＡＤ系統(tǒng)的設(shè)計(jì)流程并與傳統(tǒng)的逡逑設(shè)計(jì)方案進(jìn)行了對(duì)比。逡逑１．５論文的章節(jié)安排逡逑本文論文共分為五章，章節(jié)的具體安排如下：逡逑第一章主要介紹了本論文所選擇的課題的研究背景以及研宄意義，分析了目前逡逑邐７邐逡逑

取得了最高的性能。ＬＤＡ也被Ｐｅｎｇ等人使用，在Ｔ２ｗ和ＡＤＣ上用于紋理特征的提逡逑取開(kāi)發(fā)［２３＿。其他利用ＳＶＭ在ｍｐ－ＭＲＩ上對(duì)前列腺癌進(jìn)行分類(lèi)的工作包括Ｌｉｕ等人逡逑和Ｍｏｒａｄｉ等人ＷＭ。在下圖２．１中我們展示了由Ｌｉｕ等人提出的ＣＡＤ系統(tǒng)生成的前逡逑列腺響應(yīng)圖［１］。逡逑Ｔ２ＷＩ邐ＡＤＣ（ＤＷＩ）逡逑Ｋｔｒａｎｓ（ＤＣＥ）邐ＣＡＤ邋ｐｒｅｄｉｃｔｉｏｎ邋ｍａｐ逡逑ｍｇｍ邋ｍＳｍ逡逑Ｂｅ邋Ｍ３逡逑圖２．１邋ＳＶＭ分類(lèi)正確的真陽(yáng)性癌癥的前列腺ＣＡＤ預(yù)測(cè)圖的插圖。紅色的方框表示分別從逡逑Ｔ２ＷＩ，邋ＡＤＣ，邋Ｋｔｒａｎｓ圖像上提取的癌癥區(qū)域的局部圖像塊。綠色的輪廓是前列腺的邊界。ＣＡＤ逡逑預(yù)測(cè)響應(yīng)圖上亮色的區(qū)域上，該亮度越大表明了該區(qū)域是癌癥區(qū)域的可能性很大。［ｍ＞］逡逑邐１３邐逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類(lèi)模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車(chē)的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

8 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

9 蘇秀婷;;耦合神經(jīng)網(wǎng)絡(luò)的同步[J];紹興文理學(xué)院學(xué)報(bào)(自然科學(xué));2016年03期

10 朱n

本文編號(hào)：2777025