论文部分内容阅读
随着医学影像技术的迅速发展,健康医疗已步入大数据新时代,其中医疗大数据中90%的数据来自医学影像。因此,如何从海量医学影像数据中,快速有效的挖掘出有价值的信息,为临床预防、诊断和治疗等医学研究,提供更充分、可靠的诊断依据具有重要的研究意义。病灶检测任务通过各种模式的医学影像进行分析学习,以实现病灶、疑似病灶的精确定位和类型判别。基于深度学习的病灶目标检测算法具有精度高、速度快、泛化性强的特性,其中,深度卷积神经网络可以有效提取不同模式影像中的病灶特征。因此,研究深度卷积神经网络下的病灶检测算法具有重要的理论意义和实际应用价值。本文的主要研究工作如下*:(1)为了提高计算机辅助诊断在胸部X-ray影像中的病灶检测精度,针对胸部X-ray影像数据量大、病灶多样可重复性差、部分病灶特征不显著、以及人工分析耗时费力且主观性强等问题,提出了一种深度可变形卷积的全卷积网络(Fully Convolutional Networks,FCN)胸部X-ray病灶检测算法(DDFCN)。由于常规卷积的矩形采样存在一定的局限性,通过常规卷积网络获得病灶特征表征性不强,这将会导致网络模型检测精度偏低。因此,本文使用可变形卷积来增强网络对特征的提取能力。首先,利用残差网络(Residual Networks,Res Net)来构建病灶特征提取子网络,通过可变形卷积改进特征子网中的部分卷积层,增强特征提取子网络对胸部X-ray影像中病灶特征的表征能力;然后,利用特征提取子网络获得的整幅胸部X-ray影像的特征图,通过可变形卷积模型建立位置敏感的兴趣区域(Region of Interest,Ro I)池化网络层,以此增强分类响应和回归响应的得分;最后,经过Softmax进行分类和位置回归,将获得的病灶信息经过Soft-NMS等后处理网络层,实现对胸部X-ray影像中的病灶检测。在对比实验中,分别从胸部X-ray影像中的单类病灶检测任务和多类病灶检测任务上,验证了所提算法对胸部X-ray影像中的病灶具有较高的检测精度。(2)为了提高小样本医学影像数据集中的病灶检测精度,提出了一种基于迁移学习和可变形卷积的特征金字塔网络(Feature Pyramid Networks,FPN)乳腺癌病灶检测算法(TDFNet)。所提算法将迁移学习与深度可变形卷积的特征金字塔网络相结合,有效的解决了相关医学影像获取难度大、高质量标注昂贵、病灶目标形态多样、以及病灶目标尺度多变等导致检测困难等问题。由于拥有拓扑结构的残差网络(Suggesting Next Dimension on Residual Networks,Res Ne Xt),可在一定程度上弥补FPN对模型计算复杂度的影响。因此,所提算法首先使用可变形卷积构建Res Ne Xt作为特征提取子网络,并将部分高层网络的语义特征,通过上采样与前一层特征相结合,建立FPN特征提取子网络;然后,使用一次卷积运算来解决FPN多层融合导致的层间效应,并获得金字塔各层的特征图,再由区域建议网络(Region Proposal Networks,RPN)对输出特征提取兴趣区域。其次,为了获得更好的池化映射特征,使用改进的可变形卷积模型,建立兴趣区域池化网络层,经过后处理的网络层,获得乳腺癌病灶的位置和分类信息;最终,使用迁移学习方法,将TDFNet在数据量较大的Deep Lesion数据集上进行训练,通过迁移学习中冻结层的方法,冻结TDFNet中特征提取子网络层,在DDSM和MIAS数据集进行微调训练,提升了TDFNet在小样本MIAS数据集上对乳腺癌病灶的检测精度。对比实验表明,所提算法可利用迁移学习有效实现小样本数据集上的病灶检测任务,且具有较好的检测效果。