论文部分内容阅读
乳腺癌是女性常见的恶性肿瘤之一,由于高发病率和高死亡率被研究人员广泛关注。多年临床研究表明,早发现、早诊断和早治疗将会极大地改善乳腺癌治疗效果,提高患者生存率。其中,肿块是乳腺癌患者主要的首诊症状。数字乳腺三维断层摄影技术(Digital Breast Tomosynthesis,DBT)通过多角度拍摄,利用计算机技术重建出若干张平行于探测器的高清X射线影像,从而获得乳腺任意深度的影像信息,减轻组织重叠对诊断带来的影响。虽然DBT性能优于传统乳腺X线检查,但影像数目的增加,加了医生的阅片负担和诊断时间,也影响了DBT在国内的全面推广。为DBT影像设计配套的计算机辅助系统(Computer Aided Diagnosis,CAD)是提高DBT在乳腺癌诊断水平发挥更大作用的一个可行方案。其中,对于肿块的自动检测及分割方法便是系统中的核心环节之一。肿块检测可以给医生提供建议区域,使医生快速确定肿块位置。肿块分割除了能让医生获得肿块的形状、轮廓外,更重要的是便于开展精准肿块更精确信息的研究,比如:肿块的良恶性辨别、确定肿块的分子分型等。本文利用卷积神经网络,对DBT影像中的肿块检测及分割方法开展了研究,为了探究是DBT影像的三维信息是否有助于提高提升检测性能和分割精度,对基于二维卷积神经网络的方法和基于三维卷积神经网络的方法进行了对比。具体研究内容包括:(1)基于二维卷积神经网络的肿块检测及分割研究:利用Faster RCNN(Faster Region based Convolutional Neural Networks)对单层DBT影像中的肿块进行检测,对各层得到的检测结果进行筛选与融合,最终在灵敏度90%时每个乳房有3.14个假阳性结果。在检测结果上使用空间模糊C均值聚类(Spatial Fuzzy C-Means,SFCM)算法对肿块进行分割,对肿块的分割像素精度为0.73;利用Mask RCNN(Mask Region-based Convolutional Neural Network)对单层DBT影像上的肿块进行检测及分割,对获得的分割和检测结果进行筛选与融合,得到DBT影像中肿块的检测及分割结果,最终在灵敏度90%时每个乳房有2.02个假阳性结果分割结果,对肿块分割像素精度为0.54。(2)基于三维卷积神经网络的肿块检测及分割研究:首先对数据进行预处理,包括提取乳房区域,数据裁剪两个步骤;利用3D Mask RCNN对处理后的数据进行检测及分割;设计结果筛选与融合方法,对检测及分割结果进行筛选与融合,得到DBT影像中肿块的三维检测及分割结果,最终在灵敏度90%时每个乳房有1.23个假阳性结果分割结果,对肿块分割像素精度为0.81。最后,与基于二维卷积神经网络的研究结果进行对比。通过对比结果表明,在DBT影像中对肿块的检测性能和分割精度上,基于三维卷积神经网络的方法要优于基于二维卷积神经网络的方法,该研究对于今后研发针对DBT影像的CAD系统有潜在意义。