基于神经网络的乳腺超声图像肿瘤诊断方法研究

作     者：佘芙蓉 

作者单位：昆明理工大学 

学位级别：硕士

导师姓名：易三莉

授予年度：2023年

学科分类：1002[医学-临床医学] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 100214[医学-肿瘤学] 0802[工学-机械工程] 0811[工学-控制科学与工程] 10[医学] 

主      题：神经网络 乳腺超声图像 良恶性分类 BI-RADS分级 NASNet TDCNet 

摘      要：乳腺癌已经超越肺癌成为世界上发病率最高的癌症,让高危人群定期做乳腺检查有助于及时发现疾病。超声为临床乳腺疾病检查提供了必要的影像学信息,成为筛查及诊断乳腺疾病的常规手段。乳腺肿瘤的良恶性识别具有非常重要的意义。但是如果仅对乳腺肿瘤简单地进行良恶性分类,在实际临床中容易让影像科医生对患者的病情误诊,这样大而化之的分类难以满足实际需求。美国放射学会提出的乳腺影像报告和数据系统(Breast imaging reporting and data system,BI-RADS)使描述和评价乳腺病灶特征的标准和术语都趋于规范化,对乳腺肿瘤的病变程度进行详细分级,显著提高了乳腺疾病诊断的准确率,更能满足临床需求。神经网络是当前极具应用前景的人工智能技术,基于神经网络的计算机辅助诊断系统能够客观地、准确地、高效地对乳腺超声图像进行处理,优化诊断流程提高诊断水平。针对上述问题,本文提出了三种解决方法,它们分别为:(1)提出了一种改进的NASNet网络对乳腺肿瘤的良恶性进行分类。它综合了NASNet迁移学习、深度可分离卷积和注意力机制(Squeeze-and-Excitation Networks,SENet)模块的优势。NASNet具有优秀的特征学习能力,能够针对乳腺超声图像选择出最优的网络结构提取特征,然而因为它的运算量及参数量非常庞大。因此,在处理小样本数据集时,迁移学习是一种提高模型准确性的同时节约计算成本的有效方法。此外,利用深度可分离卷积和SE技术,在模型的最深处提取肿瘤边界的特征信息,以及更多与病症更加相关的高阶特征。(2)提出了一种新网络TDC Net对乳腺恶性肿瘤的BI-RADS 3、4a、4b、4c、5级进行分类。它有两条路径,包括卷积神经网络(Convolutional neural network,CNN)路径和胶囊网络Caps Net路径。这两条路径各有其优点,CNN用于提取丰富而详细的局部语义特征,Caps Net用于提取图像的位置和姿态信息。对于CNN路径,被名为TD-Net,它由两个支路组成:DD Module支路和卷积支路,DD Module支路主要用于减少超声图像中的伪影并提取丰富的局部细节信息;卷积支路主要提取全局信息,作为DD Module支路的信息补充。其中DD Module可以减少呼吸伪影和探测运动伪影对识别的影响,并且捕获可能出现的形变特征。同时,CNN路径和Caps Net路径的结合也增加了网络的复杂性,所以在两条路径融合时使用特殊操作以控制参数的增长。网络的最后也利用了深度可分离卷积和SE模块对肿瘤和及其边界特征信息做最后的提取。(3)提出了一种基于乳腺肿瘤病灶区域的识别方法,提升肿瘤的良恶性识别率。首先基于ENet改进的模型在带有mask的乳腺超声公共数据集上训练并保存其权重。接着将保存的权重应用于云南省肿瘤医院提供的不带mask的临床数据,得到病灶的预测mask。然后将该mask覆盖于原图上得到只有预测病灶的乳腺超声图像。最后使用本文所提的二分类网络对预测病灶进行肿瘤的良恶性分类。这种方法能减少乳腺超声图像中无关组织对诊断结果的影响,并且肿瘤的边界也能为模型最终识别提供更多的特征信息。实验结果发现,对比仅使用分类网络简单识别,所提方法能大幅度地提高识别的准确性。该方法在临床的乳腺肿瘤诊断中能起到很好辅助作用,一方面可以极大地提高识别的准确度,另一方面可以节省分割数据的标注时间。