基于深度学习的乳腺肿块MRI图像分割算法研究.pdfVIP

摘要

近年来，女性患癌症的风险随着年龄的增加而上升，其中乳腺癌已经成为了一种高

发病率的疾病。通过对患者病灶区域的检测分割对诊断治疗有着重要的意义。越早的发

现病灶、诊断能提高患者的生存率，对患者的生存延期至关重要。传统的病灶检测勾画

主要是通过专业医师进行操作，这样需要医生花费大量的时间精力，并容易造成漏分割、

误分割。因此找到一种方法提高医生效率与准确度是不可缺少的，随着人工智能技术的

发展，研究生人员将人工智能与医学图像分割相结合，对提出乳腺肿块的分割治疗的解

决方案有着重要的意义。

本文针对乳腺癌病灶在分割时乳腺肿块区域相对较小，边界模糊等问题进行探讨。

根据乳腺病灶的特点，应用深度学习算法，结合医学影像等提出关于乳腺癌的分割模型。

本文分别从卷积神经网络和基于Transformer网络的两种分割模型对乳腺肿块进行分割，

主要研究工作如下。

（1）乳腺肿块的检测有很多方式，其中核磁共振成像是一种重要的方式，针对核磁

共振成像（MagneticResonanceImaging，MRI）乳腺图像受限于成像技术和成像设备，

医学图边界模糊、难以定位等问题，提出了一种基于多尺度与并行注意力的乳腺MRI图

像分割模型。本文通过采用尺度卷积，根据不同尺寸的卷积来获取更全面的特征信息，

并利用空洞卷积增大对小目标病灶区域特征的提取。由于病灶区域存在复杂的高密度腺

体组织，且腺体组织与病灶区域没有明确的边界，从而对分割造成干扰，采用并行注意

力机制，通过加强对病灶区域特征信息的关注程度，从而提高对病灶区域的分割。针对

UNet网络结构下采样池化层对图像信息造成的损失，本文采用步长为2的3×3的卷积

代替池化操作。最后通过消融、对比实验为私有数据集与公开数据集INbreast和DDSM

上进行实验，通过与经典网络模型进行评估指标对比，证明本文方法的优越性、可行性。

（2）考虑到Transformer在图像处理中的优越性，本文提出了一种基于Transformer

的乳腺肿块分割模型。通过对Swin-UNet进行改进，在合适的位置采用Dropblock代替

Dropout，以增强模型的泛化能力。在训练过程中，对实验参数进行调优，确保模型能够

充分学习并表现出良好的泛化能力。同时，采用了私有数据作为训练集，并在公开数据

集INbreast上进行了测试。

通过与经典模型进行对比实验，改进的Transformer模型在Dice系数、准确率等评

估指标上均表现出明显的提升。这表明了本文提出的方法具有较强的泛化能力，并能够

有效地应用于乳腺肿块分割任务中。

关键词：乳腺病灶分割；注意力机制；多尺度卷积；Transformer；Swin-UNet

Abstract

Inrecentyears,theriskofcancerinwomenhasincreasedwithage,withbreastcancer

beingahighlyprevalentdisease.Detectingandsegmentinglesionsinpatientsareofgreat

significancefordiagnosisandtreatment.Earlydetectionanddiagnosisoflesionscan

significantlyimprovethesurvivalrateofpatients,makingitcrucialforprolongingtheirlifespan.

Traditionallesiondetectionanddelineationmethodsrelyheavilyonmanualinterventionby

specializedphysicians,whichistime-consumingandpronetoerrorssuchasmissedorincorrect

segmentation.Therefore,findingamethodtoimprovetheefficiencyandaccuracyofphysicians

isess