基于深度学习的乳腺钼靶病灶检测算法研究.pdf

基于深度学习的乳腺钼靶病灶检测算法研究

摘要

乳腺癌是多发于女性群体的最常见的癌症之一，已经成为仅次于肺癌的第二大死因。

乳腺癌虽然无法预防，但早发现早治疗对于乳腺癌的治疗有着积极的作用。乳腺钼靶检

查也叫乳腺X光检查，是筛查乳腺癌的常用手段之一。由于其放射性小，且对大乳房和

脂肪型乳房诊断性较高、且不受体型的限制，钼靶成像检查结果可以作为乳腺癌早期筛

查的黄金标准之一。然而钼靶图像的阅片并诊断对医生的经验要求较高，筛查结果通常

也会受医生主观因素的影响。医生经验不足或者主观判断失误就可能造成漏诊和误诊，

所以开发性能优秀的计算机辅助诊断技术具有重要意义。目前，借助深度学习技术在乳

腺钼靶领域辅助医生进行乳腺癌诊断已经成为很多研究关注的热点，诊断技术研究主要

包括良恶性分类、病灶区域检测以及病灶分割等。由于深度学习训练的模型性能很大程

度上依赖于大量的带有标注的数据，而医学图像存在数据量少、数据难以获得、标注成

本昂贵以及公开数据集标注质量普遍不高等现象，在医学图像领域应用深度学习技术具

有重重困难。所以针对医学图像标注难以获得的问题，本文提出一种自监督目标检测的

方法进行乳腺钼靶肿块检测的研究。本文研究内容如下：

首先对比了几种当前应用最广泛的目标检测算法（FasterR-CNN，YOLOv5，FCOS，

CornerNet）在乳腺钼靶公开数据集DDSM上的肿块检测的性能，筛选出乳腺钼靶肿块

检测基线模型。在对模型的性能进行评估之后，选择了FCOS检测算法作为后续研究的

基线模型。

其次鉴于研究中存在乳腺钼靶数据集不平衡以及肿块区域尺寸差异较大的问题，对

基线模型进行了改进。由于乳腺钼靶图像是灰度图像，且其不包含高级的语义特征，所

以对模型结构进行改进，以使模型使用低层的特征进行肿块检测同时对适用于乳腺钼靶

图像的数据增强策略进行了探索。

最后针对乳腺钼靶数据集规模小、标注难以获得且标注质量不高的问题，提出了自

监督预训练的方法对乳腺钼靶肿块检测模型进行改进。经过对当下使用最广泛的几种自

监督对比学习模型（SimCLR，MoCov2，BYOL）的对比，筛选出MoCov2作为实现自

监督预训练的方法，并且由于下游任务是检测任务，对模型的结构和损失函数进行改进，

以使特征提取网络对图像的空间特征更具敏感性。

关键词：深度学习；钼靶图像；目标检测；对比学习；数据增强

基于深度学习的乳腺钼靶病灶检测算法研究

ABSTRACT

Breastcancerisoneofthemostcommoncancersinwomenandhasbecomethesecond

leadingcauseofdeathafterlungcancer.Althoughbreastcancercannotbeprevented,early

detectionandearlytreatmenthaveapositiveeffectonthetreatmentofbreastcancer.

Mammograms,alsocalledbreastXraychexk,arecommonlyusedtoscreenforbreastcancer.

Mammographyimagingcanbeusedasoneofthegoldstandardsforearlybreastcancer

screeningbecauseofitslowradioactivity,highdiagnosticabilityforlargeandfattybreasts,

andindependentofbodysize.However,thereadinganddiagnosisofmammographyimages

requirehighexperienceofdoctors,andthescreeningresultsareusuallyaffectedbysubjective

factorsofdoctors.Thelackofexperienceorsubjectivejudgmentofdoctorsmaycausemissed

diag