基于深度神经网络的数字乳腺断层影像病灶智能检测与诊断研究.pdfVIP

摘要

乳腺癌是女性最常见的恶性肿瘤，由于其发病率较高，受到广泛研究人员的关注。研究表

明，通过筛查能预防乳腺癌，发现病灶并及时做出诊断，从而极大程度降低乳腺癌的死亡率。

数字乳腺断层成像技术（DigitalBreastTomosynthesis，DBT）是通过X射线管一定范围内的

旋转曝光，将得到的一系列二维影像重建为平行于探测器的影像。基于DBT的影像减少了以

往X射线影像中所存在的组织重叠问题，使局部特征成像更加清晰。但由于其成像序列存在

数十张影像，增加了医生的阅片工作量。因此需要研发基于DBT影像的计算机辅助诊断系统

（ComputerAidedDiagnosis，CAD）来减轻医生的阅片负担，提高诊断效率。

目前在DBT影像病灶的智能诊断研究领域，大多采用传统机器学习方法。其步骤繁琐，

需要手动标注感兴趣区域，建立分类器实现。随着深度学习算法的流行，开始有学者应用深

度学习实现DBT影像的检测、诊断。然而其仅使用深度学习实现单一检测或者诊断任务，并

仍需要人为从影像中确定感兴趣区域，未实现完全的自动化，在软件适用性方面存在问题。

本研究以研发智能辅助诊断系统为目标，展开微钙化簇检测，肿块检测、分割及其诊断的辅

助诊断方法研究，具体如下：

（1）微钙化簇检测研究

实现DBT影像中微钙化簇的快速、准确定位。本文通过目标检测网络FasterRCNN（Faster

RegionbasedConvolutionalNeuralNetworks，FasterRCNN）模型结合断层筛选、融合策略，

实现DBT影像微钙化簇的智能检测。研究结果显示，通过该方法建立的模型，选用ResNet101

作为主干网络的情况下，在灵敏度为0.95时，每个视角平均假阳性结果为0.15个。

（2）肿块检测、分割与诊断研究

DBT影像肿块的智能辅助诊断方法研究是本研究的重要组成部分。本文设计了基于不同

主干网络的EfficientDet检测模型在二维DBT影像上的肿块检测、诊断多任务学习方法，通

过筛选融合得到序列的辅助诊断结果。其中使用EfiicientDet-D0模型在测试集上综合表现较

好，在灵敏度为90%时，平均每个视角影像假阳性结果检出0.24个。本研究又基于Mask

Scoring-RCNN模型，选用ResNet101主干网络构建二维DBT影像肿块检测、分割及诊断的

多任务模型，其像素精度达到0.63，平均每个视角影像检出假阳性结果0.42个。两类模型在

检测结果的良恶性诊断上，未取得明显优势。因此本研究基于DBT三维肿块数据，使用传统

机器学习方法与3D-ResNet展开良恶性诊断研究，并对比两类实验方案与结果。使用传统机

器学习方法，从提取的影像组学特征中递归筛选46个特征，以GBDT作为分类器取得了0.91

的AUC，而使用多阶段迁移学习的3D-ResNet网络AUC值达到0.86。

（3）DBT影像智能辅助诊断原型系统研发

本研究结合当前影像浏览软件特点，从软件设计方面以及实用性角度出发，研发智能辅助

诊断软件。选用Faster-RCNN（主干网络ResNet101）模型实现钙化检测，MaskScoring-RCNN

模型实现软件的肿块检测、分割。虽然传统机器学习方法在测试结果上表现出优越性，但本

研究以实现影像诊断的全自动化为目的，选用3D-ResNet模型实现肿块诊断。

由于深度学习模型参数量庞大，对运行环境有一定要求。本研究将算法模型部署在远程工

作站，将运算交由具备强大算力的计算机进行，通过网络通信实现智能诊断。使用该方案不

仅可以获得深度学习算法所预测的高精度结果，更通过降低对运行环境的要求，助于智能辅

助诊断软件在实际应用中的推广。

关键词：数字乳腺断层影像、微钙化簇、肿块、深度学习、计算机辅助诊断系统

ABSTRACT

Breastcanceristhemostcommonmalignanttumorinwomen.Sinceitshighincidence,ithas

receivedwideattentionfromresearchers.Studieshave