基于深度学习的乳腺异常分类和肿块分割.pdf

基于深度学习的乳腺异常识别和肿块分割 中文摘要 乳腺癌是女性常见的恶性肿瘤，威胁着全球女性的生命健康。研究表明， X 早发现早治疗能够有效降低乳腺癌导致的死亡率。乳腺钼靶 线摄影术因其便 捷可靠的特性，成为了乳腺癌早期检查和诊断的首选方法。临床上大多是放射 X 科医师对乳腺钼靶 线图像阅片并给出诊断意见，但人工阅片面临着耗时费力， X 主观影响，水平不一等问题。因此，基于乳腺钼靶 线图像的计算机辅助诊断 Computer-Aided Diagnosis CAD “ （ ， ）系统被提出为放射科医师提供可靠的 第二 ” 意见 辅助诊断，提高乳腺疾病诊断的精度，效率和一致性。本文针对乳腺钼靶 X 线图像的 CAD 系统中两个重要环节——乳腺异常分类和肿块分割进行了深 入研究，开展的主要创新性研究及贡献总结如下： 1. 基于深度学习的乳腺异常分类。 X 受到对侧乳腺钼靶 线图像能够提供左右乳腺组织的对称性差异这一事实 Bilateral Residual 的启发，本文提出了一种端到端的双边残差神经网络 （ Network Bi-ResNet X / ， ）自动对对侧乳腺钼靶 线图像进行正常异常分类。具体 ResNet X 的，设计并行的 同时处理一组对侧乳腺钼靶 线图像，并分别从左右 乳腺组织中提取具有辨别力的特征表示，最后简单的特征连接策略被用于整合 差异特征从而实现异常分类任务。本文提出的 Bi-ResNet 基于不同的主干网络 能够实现可复现的和相似的结果，并且无论是自动化程度还是分类性能，都优 Bi-ResNet 10480 X 于传统的对侧分析策略。最终， 在共计 张乳腺钼靶 线图像 的DDSM 公开数据库上达到了0.908 的异常分类AUC ，充分证明了模型的有效 性。通过大量的实验，本文认为 Bi-ResNet 是稳定和鲁棒的，并有潜力在未来 被推荐到临床应用中。 2. 基于深度学习的乳腺肿块分割。 X CAD 乳腺钼靶 线图像中的肿块分割是乳腺癌 算法设计中一个重要且具 Multi-level Nested 有挑战性的课题。本文提出一种新颖的多级嵌套金字塔网络（ Pyramid Network MNPNet X ， ）用于处理乳腺钼靶 线图像肿块分割中广泛存在 的类内不一致和类间不分明问题。MNPNet 由编码器和解码器组成。前者通过 ResNet-34 Atrous 在修正的 产生的特征金字塔上多级嵌套空洞空间金字塔 （ Spatial Pyramid Pooling，ASPP ）模块，以一种多级多尺度的方式编码上下文信