自动全乳超声中乳腺癌的计算机辅助筛查方法研究.pdfVIP

自动全乳超声中乳腺癌的计算机辅助筛查方法研究 摘 要 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1cm3 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。 关键词：自动全乳超声ABUS ; 乳腺癌; 卷积神经网络; 自适应阈值映射; 深监督 I Computer aided Screening of Breast Cancer in the Whole Breast Ultrasound Image Abstract Breast cancer is the most common cancer and the leading cause of cancer-related deaths for women all over the world. Early screening and treatment of breast cancer have been shown to be useful in reducing mortality rates. Automated breast ultrasound (ABUS) is a new and promising screening modality for whole breast examination. Compared to conventional handheld ultrasound, ABUS achieves operator-independent image acquisition and can provide 3D views of the whole breast. However, reviewing ABUS images is extremely time-consuming and oversight errors could happen during the examinat