基于困难样本的乳腺双模态影像特征融合分类

摘要

灰阶超声及超声造影技术目前被成功用于筛查乳腺肿瘤，而且由于其具有无创伤性，价格低廉等优势，是乳腺肿瘤早期筛查的主要工具。随着人工智能技术快速发展，将深度学习及模式识别技术运用于临床医疗的辅助诊断分析中，已成为当今医疗影像的研究热点。本文研究将乳腺灰阶超声及超声造影结合，形成双模态影像进行良恶性识别。由于双模态影像存在成像质量问题：如对比度低、含有斑点噪声、病灶区边缘不清晰等，且乳腺肿瘤中的困难样本(良性有蟹足症样本和恶性无蟹足症样本)存在难以识别问题，单纯使用深度学习的方法存在提取特征不充分的问题，使得小规模数据的乳腺双模态影像识别问题颇具挑战。　　首先，针对原始乳腺双模态影像数据中存在的成像质量及信息冗余等问题，本文采取了一系列预处理工作，包括去除无用帧、提取关键帧、图像去冗余、去噪及增强等处理。通过预处理工作，使得数据更加精炼，减少了无用信息对后续识别任务的影响。本文还进行了图像去噪、增强工作，去除了原始影像自带的斑点噪声，增加了病灶区与肌肉组织之间的对比度，突出了关键信息，为后续识别任务奠定了基础。　　其次，恶性无蟹足症和良性有蟹足症样本作为乳腺肿瘤识别的困难样本，存在良恶性难以区分的问题。本文就乳腺双模态影像的困难样本，提出了基于困难样本的损失函数，该函数使模型在训练阶段就有意识的拉大困难样本间距离，针对困难样本对症下药，更有利于解决像医疗图像这类样本间距离不均衡的问题。实验结果表明，改进的损失函数不仅改善了分类整体准确度，而且困难样本的识别精度也有大幅度提升。　　最后，针对单一的手工特征或深度特征太单一的问题，提出了两种不同的LBP特征与CNN抽象特征融合方案：其一是将基于不同尺度的LBP图像与RGB图像分别送入CNN训练，然后将两种特征融合送入全连接层进行特征优化；其二是将LBP统计特征与CNN深度特征融合进行分类。两种方案都选用CNN作为分类器，减少了人工的参与，更符合未来的发展趋势。最后通过实验验证了两种设计方案基于乳腺双模态影像的有效性。

目录

声明

第1章 绪论

1.1 研究背景与研究意义

1.2 国内外研究现状

1.2.1 造影影像分类研究现状

1.2.2 灰阶超声影像分类研究现状

1.2.3 乳腺双模态影像分类存在的难点与挑战

1.3本文研究内容

1.4 本文章节结构安排

1.4.1 论文技术路线

1.4.2 论文章节结构

第2章 相关技术理论研究

2.1 引言

2.2 损失函数

2.3 LBP提取技术

2.4 特征融合技术

2.5 本章小结

第3章 双模态影像数据集的构建及预处理

3.1 引言

3.2 乳腺双模态影像数据的创建BCEUS

3.2.1 数据集介绍

3.2.2 基于多特征自适应阈值技术的关键帧提取

3.3 乳腺超声数据预处理

3.3.1 基于MSRCP的乳腺双模态影像增强

3.3.2 基于小波软阈值去噪的乳腺双模态影像去噪

3.4 实验设计及结果分析

3.4.1 乳腺良恶性分类数据的选取

3.4.2 乳腺双模态影像增强对比实验

3.4.3 乳腺双模态影像去噪对比实验

3.5 本章小结

第4章 基于蟹足症的困难样本改进loss函数

4.1 引言

4.2 基于蟹足症的困难样本改进loss函数介绍

4.3 实验结果分析

4.3.1 基于困难样本的改进loss函数实验分析

4.3.2 改进loss函数的参数及网络调整

4.4 本章小结

第5章 基于改进的双通道特征融合识别算法

5.1 引言

5.2 基于不同尺度LBP特征图谱的双通道网络设计

5.3 基于LBP统计特征的双通道网络设计

5.4 实验结果分析

5.4.1 手工特征实验对比

5.4.2 基于不同尺度LBP图谱的双通道特征融合实验对比

5.4.3 基于LBP统计特征的双通道特征融合实验对比

5.5 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

攻读硕士学位期间参加的项目经历