论文部分内容阅读
在世界范围内,乳腺癌以其高发病率、高死亡率严重威胁女性身体健康,且近年来乳腺癌新增病例数持续上升。因其发病机理不确定和病情隐匿,使得早期乳腺癌很难被发现。乳腺动态增强核磁共振影像(Dynamic Contrast-enhanced magnetic resonance imaging,DCE-MRI)具有较高的软组织分辨能力,近年来成为广泛应用于乳腺癌早期检查的重要方式。模仿生物视觉原理的深度学习能够自动学习数据层次化的特征,使其在图像、语音、自然语言处理等方面取得巨大成就。人们不断探索将深度学习应用在生物医学领域,并取得了一定成果。本论文的研究工作主要是基于深度学习方法在早期乳腺癌诊断上的应用,探索研究基于不同深度学习方法,并利用不同模态的影像数据对乳腺癌早期诊断。本文的主要研究内容如下:(1)基于非监督学习堆叠自编码特征提取方法与分类利用非监督堆叠自编码(Stacked Autoencoder,SAE)进行乳腺癌特征提取与分类。首先对实验数据预处理,提取ROI及PCA白化,其次利用非监督逐层训练的方式提取不同层级的特征,最后利用Softmax进行早期乳腺癌良恶性判别。(2)基于三维卷积神经网络乳腺癌早期诊断提出构建三维卷积神经网络,通过平移、旋转、镜像等方式将样本数据扩充。然后利用二维和三维卷积网络来对疾病分类预测。利用三维增强影像序列和增强率影像实现早期乳腺癌的识别分类。(3)迁移学习判别乳腺癌良恶性研究研究迁移学习模型在早期乳腺癌良恶性分类上的应用,将在大数据集(如ImageNet)上预训练得到的网络模型作为底层和中层的特征提取器,迁移到MRI影像数据集,微调模型参数进行分类。从研究结果来看,本文所提出的研究方法能够较好的对早期乳腺癌识别分类。降噪堆叠自编码对乳腺癌早期诊断实验结果AUC达到0.85。基于3DCNN早期乳腺癌分类实验结果AUC值0.80,灵敏度和特异性分别达到0.82和0.74。在迁移网络模型分类实验中,AUC,灵敏度和特异性分别达到0.86,0.85和0.81。未来若将深度学习方法自动学习到的不同层级的特征融合到MRI辅助诊断系统中,将有助提升系统的性能,具有较好应用前景。