超声乳腺肿瘤辅助诊断关键技术研究

作     者：任丽 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：曹雪虹

授予年度：2021年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 080203[工学-机械设计及理论] 100214[医学-肿瘤学] 0802[工学-机械工程] 10[医学] 

主      题：超声乳腺肿瘤 计算机辅助诊断 良恶性分类 BI-RADS分级 钙化点检测 残差神经网络 超像素分割 

摘      要：乳腺癌是全球女性发病率最高、危害最大的恶性疾病之一,早期筛查和及早治疗是降低死亡率的有效方法。超声检查凭借其无辐射、无创伤、价格低廉、便于携带等优点,已经成为乳腺癌早期筛查的一种重要手段。在传统超声检查中,医生根据临床实践经验,分析超声图像中的乳腺肿瘤特征,并与BI-RADS(Breast Imaging Reporting And Data System)标准相匹配,从而实现乳腺肿瘤的临床诊断。这是一个主观判断过程,不同医生由于操作手法、临床经验、知识水平、疲劳程度等方面的差异,对同一病灶的诊断结果有可能完全不同。因此,如何利用计算机辅助诊断系统提高医生疾病解释的一致性,降低误诊率和漏诊率,在乳腺癌早期筛查中具有十分重要的研究价值和临床意义。鉴于此,本文从乳腺肿瘤的良恶性分类、BI-RADS分级检测和钙化点检测三个方面进行研究,提出一些改进算法,旨在辅助医生对超声乳腺肿瘤进行准确诊断。具体工作内容如下:(1)针对传统量化特征描述乳腺肿瘤形态不准确等缺点,提出一种新形态量化特征提取方法,首先从超声乳腺肿瘤原图中分割出乳腺肿瘤区域,获取乳腺肿瘤边缘;采用椭圆或圆拟合乳腺肿瘤轮廓,两者相减得到超声乳腺肿瘤的形状直方图;最后基于形状直方图设计出描述乳腺肿瘤的三个新的形态量化特征:最大曲率和、最大曲率峰值和、最大曲率标准差和。采用SVM(Support vector machine)分类器在71张超声乳腺肿瘤恶性图片和121张良性图片上进行实验,得到新形态量化特征判别良恶性乳腺肿瘤的准确率为82.69%,传统形态量化特征为73.08%。实验结果表明新形态量化特征相对于传统形态量化特征具有较高的分类准确性。(2)针对超声乳腺肿瘤BI-RADS分级图像的原始数据样本个数极度不平衡以及不同分级肿瘤特征区分度不明显等问题,设计出CH-ResNeSt50神经网络用以提高超声乳腺肿瘤BI-RADS分级诊断的准确性。该网络是在ResNeSt50(Residual Split-Attention Network 50)网络的基础上进行改进,通过增加跨层连接支路(Cross-layer connection branch,CLC)模块与多尺度混合空洞卷积(Hybrid Dilated Convolution,HDC)模块提高不同分级乳腺肿瘤特征的区分度。在1543张超声乳腺肿瘤图片(3级774张,4A级207张,4B级178张,4C级150张,5级234张)上实验,CH-ResNeSt50的识别准确率为81.18%,相比原始网络ResNeSt50提高了5.3%。实验结果表明,相比于ResNeSt50,最终的优化网络模型CH-ResNeSt50对于超声乳腺肿瘤BI-RADS分级检测有更加准确的分级效果。(3)在乳腺癌早期筛查中,超声乳腺肿瘤钙化点的准确检测对辅助医生进行准确诊断具有重要临床研究价值。针对该问题,本文提出了一种基于多尺度超像素分割的超声乳腺肿瘤钙化点检测方法。首先,采用多尺度超像素分割算法对不同大小的肿瘤区域进行划分,并根据区域之间的灰度分布不均匀和纹理对比度检测弱钙化点,以保证检测出的超声乳腺肿瘤钙化点边界尽可能贴近真实目标边缘。其次,基于原始图像进行单尺度超像素分割,通过比较灰度值差异和钙化灰度距离特征来检测强钙化点,以保证检测出的钙化点准确可靠。最终,通过结合强和弱钙化点获得最终目标准确且边缘紧致的钙化点。本文提出的检测算法可以有效检测超声乳腺图像中的钙化点,检测良恶性病例中钙化点的准确性可以达到81.8%。