论文部分内容阅读
乳腺癌是最常见的一种癌症,也是女性癌症死亡的主要原因,早期筛查对乳腺癌防治至关重要。自动全乳超声(ABUS)是乳腺癌筛查的一种新的有效的影像学检查手段,与传统手持式超声相比,ABUS对操作者的依赖相对较小,能够自动获取患者整个乳房的3D视图。然而,ABUS图像的人工筛查非常耗时,严重依赖医师的临床经验,漏诊误诊率往往较高。因此,乳腺癌临床诊断中亟需一种从ABUS数据中准确高效地筛查出乳腺癌的全自动方法。本论文围绕ABUS乳腺癌筛查的问题,进行以下两部分研究。首先,在基于3D-DUnet的ABUS乳腺癌筛查方法中,创新点如下:(1)创新性提出自适应阈值映射层,该层为鉴别乳腺癌与正常组织提供了体素级的自适应阈值,实现高敏感性的同时保证低的假阳率;(2)提出基于混合损失函数的密集深度监督结构,利用各层多尺度信息加强特征学习既提高敏感性又避免过拟合;(3)利用带孔卷积扩大感受野的同时不会降低图像分辨率,用以充分提取病灶的上下文信息。其次,在基于2D-CALN的ABUS中乳腺癌筛查方法中,动机是改善小病灶的筛查敏感性,所以输入是原始分辨率ABUS的横切面二维图像,利用候选区域定位网络CALN在切面特征图上获取病灶候选框,通过区域分类和回归层识别出含病灶的候选框及其位置信息,再利用循环神经网络RNN补充相邻切面间的特征信息,以提升病灶筛查性能。本文在219位乳腺癌患者(包含614个阳性ABUS数据,745个病灶区域)和144位健康女性(包含900个ABUS数据)上验证了方法的有效性。四折交叉验证表明,基于3D-DUnet的病灶筛查敏感性为95.12%,平均每个ABUS图像约0.84个假阳,由此说明,本文提出3D-DUnet方法获取较高敏感性的同时保持较低的假阳率,但对于1cm~3以下的小病灶存在明显的漏诊问题;而2D-CALN方法的敏感性为96.13%,假阳约有2.02个,说明基于原始分辨率下的模型具有较高的敏感性,尤其是对小病灶的筛查,但由于缺乏空间信息约束,假阳相对较高。后续研究将利用多尺度技术结合上述两种方法。综上所述,大量实验证明本文的探索研究为临床乳腺癌筛查提供了全自动的、准确高效的工具,具有重要的临床应用与推广价值。