基于异构多分支网络的超声图像病灶区良恶性自动诊断方法

摘要

乳腺癌是全世界范围内威胁女性健康最主要的癌症之一，而超声(US)是乳腺结节的主要影像学检查和术前评估之一。然而，在超声诊断领域，由于良性和恶性乳腺结节图像的相似表现形式，这使得诊断结果在很大程度上依赖于医生的经验判断。而且具有不同资历的医师的诊断准确性相差高达30％，因此，很容易导致误诊并增加不必要的穿刺活检率。　　近年来随着计算机科学的不断进步和医学方面的数据集的不断丰富，计算机辅助的医学诊断逐渐成为当前研究的热点。然而当前的计算机辅助乳腺超声诊断需要大量的人机交互，而其准确性仍然不够可靠。本文提出了一种端到端的自动结节分类模型。该模型是用于乳腺超声图像的良性和恶性分类的异构多分支网络(HTBN ， heterogeneous three-branch network)。该网络使用了图像信息(包括：超声图像和造影(CEUS，contrast-enhancedultrasound)图像和非图像信息(包括：患者年龄和其他六个病理特征)。　　另一方面，本文提出一种适合该异构多分支网络的混合型损失函数，该损失函数在附加角边距损失(Additive Angular Margin Loss)的基础上应用了最小超球面能量(MHE ，minimum hyperspherical energy)来改善分类效果。其中，附加角边距损失(Additive Angular Margin Loss)主要用于减小类内距离，而MHE主要用于增大类间距离。实验结果表明：我们的混合损失函数在进一步增加学习特征的角余量的基础上，同时可以减少类内距离。　　为了验证我们所提出的方法，我们收集了包含1303个病例的乳腺超声数据集。在该数据集上，具有五年资历的医师的平均诊断准确性为85.3％，而我们的方法的分类精度为92.41％。实验结果证实了我们的观点：通过将医学知识纳入优化过程，即将造影图像和非图像信息添加到网络中，可以在很大程度上提高乳腺超声诊断的准确性和鲁棒性。

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 计算机自动诊断技术在超声影像中的应用

1.2.2 医学超声图像识别判断的难点与挑战

1.3 本文主要研究内容

1.4 本文章节结构安排

1.4.1 本文技术路线

1.4.2 本文章节安排

第2章 相关技术理论

2.1 引言

2.2 视频关键帧提取技术

2.3 基于医学图像的深度学习技术

2.3.1 深度学习在医学超声影像分析中的应用

2.3.2 基于医学图像的深度学习的挑战与前景

2.4 多标签分类技术

2.5 本章小结

第3章 超声图像数据集及预处理

3.1 引言

3.2 超声图片数据集

3.3 超声、造影图像预处理

3.4 实验结果分析

3.4.1 超声图像去噪对比实验

3.4.2 超声图像增强对比实验

3.5 本章小结

第4章 病理信息提取

4.1 引言

4.2 基于多标签分类的病理提取技术

4.3 其他病理信息提取技术

4.4 实验设计与结果分析

4.4.1 基于多标签分类的病理提取技术实验

4.4.2 其他病理信息提取技术实验

4.5 本章小结

第5章 一种乳腺超声图像自动诊断的异构网络

5.1 引言

5.2 异构多分支网络（HTBN）实验设计

5.2.1 损失函数设计

5.2.2 网络结构设计

5.3 实验设计与结果分析

5.3.1 不同数目分支分类效果对比实验

5.3.2 不同损失函数分类效果比较实验

5.3.3 与其他算法对比

5.4 本章小结

总结与展望

本人工作总结

未来工作展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果