基于深度学习的自动乳腺超声肿块检测与良恶性分类系统_医疗人工智能.docxVIP

PAGE2

《基于深度学习的自动乳腺超声肿块检测与良恶性分类系统》课程设计

第一章绪论

1.1设计背景与问题分析

1.1.1领域发展现状与技术趋势

近年来，乳腺癌已成为全球女性发病率最高的恶性肿瘤，严重威胁女性生命健康。根据世界卫生组织国际癌症研究机构（IARC）发布的最新数据，乳腺癌新发病例数已超过肺癌，成为全球第一大癌症。早期发现与诊断是降低乳腺癌死亡率的关键，超声检查因其无辐射、无创、实时且对致密型乳腺敏感度高等优势，成为乳腺疾病筛查的首选影像学方法之一。

随着影像技术的进步，三维容积超声（ABVS）逐渐应用于临床，它能够提供冠状面、矢状面及横断面三个正交平面的立体信息，克服了传统二维超声依赖操作者手法、图像可重复性差的缺陷。然而，三维超声数据量巨大，单次扫描可产生数百张连续断层图像，放射科医生需逐层阅片，工作量繁重且易产生视觉疲劳，导致微小病灶漏诊或误诊。

人工智能特别是深度学习技术在医学影像分析领域取得了突破性进展。卷积神经网络（CNN）在图像分类、分割和检测任务中表现优异，已成功应用于肺结节检测、视网膜病变诊断等多个场景。然而，在乳腺三维超声领域，由于数据维度高、噪声干扰大（如斑点噪声）、病灶形态复杂多变，现有的二维深度学习模型难以直接利用层间上下文信息，导致三维空间特征提取不足，限制了辅助诊断系统的性能。

1.1.2设计问题提出与具体表现

尽管三维超声技