检索结果-南通市图书馆

基于改进级联R-CNN的乳腺x线图像肿块检测

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

东北师大学报（自然科学版） 2020年第4期52卷 66-73页

作者：王生生丁雪松陈鹏刘纯岩吉林大学计算机科学与技术学院吉林长春130012 吉林大学第二医院吉林长春130041

深度学习技术逐渐成为自动检测乳腺x线图像肿块的主流技术,然而由于肿块的大小、形状、边界、纹理存在多样性,并且肿块的信噪比比周围组织低,目前的算法仍然存在检测遗漏目标的问题.为了有效地提高检测精度,提出了一种基于空间约束和多... 详细信息

深度学习技术逐渐成为自动检测乳腺x线图像肿块的主流技术,然而由于肿块的大小、形状、边界、纹理存在多样性,并且肿块的信噪比比周围组织低,目前的算法仍然存在检测遗漏目标的问题.为了有效地提高检测精度,提出了一种基于空间约束和多特征融合的多级目标检测架构,命名为SC-FU-CS RCNN.首先,该框架由多个递增的重叠度(IoU)阈值训练的检测器构成,更深层的检测器可以更好地减少误报;其次,在框架中融合了卷积神经网络(CNN)的浅层与深层特征,使检测器更好地检测图像中的模糊、较小的目标;最后,添加空间约束层纳入目标周围的拓扑区域特征.实验表明,该框架在乳腺x线检查数字数据库(DDSM)平均准确率达到94.06%,优于其他相关算法.

关键词：计算机辅助检测乳腺x线图像深度学习乳腺癌卷积神经网络

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

结合视觉语义的乳腺x线图像检索

计算机工程与设计 2013年第9期34卷 3163-3167页

作者：吴梦麟陈强孙权森南京工业大学电子与信息工程学院江苏南京211816 南京理工大学计算机科学与技术学院江苏南京210094

针对乳腺x线图像检索过程中底层特征不能有效表达高层语义,提出一种结合视觉语义的图像检索算法。引入图半监督学习框架提取查询图像的类别归属度,作为视觉语义;考虑类别分布的不平衡性,在语义提取过程中加入类标签正则化;设计结合视觉... 详细信息

针对乳腺x线图像检索过程中底层特征不能有效表达高层语义,提出一种结合视觉语义的图像检索算法。引入图半监督学习框架提取查询图像的类别归属度,作为视觉语义;考虑类别分布的不平衡性,在语义提取过程中加入类标签正则化;设计结合视觉语义和底层特征的相似度度量准则。在乳腺x线分块图像数据库上的实验结果表明,该算法能够有效提取图像的视觉语义,性能优于基于单一底层特征的检索算法。

关键词：乳腺x线图像基于内容的图像检索视觉语义图半监督学习相似度度量

基于深度学习的乳腺x线图像肿块检测方法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的乳腺X线图像肿块检测方法研究

作者：张林林北京交通大学

学位级别：硕士

乳腺癌是女性最常见的癌症之一,其严重影响患者的生活质量。乳腺造影是筛查乳腺癌最常用的方法,在众多成像技术中,乳腺x线成像被广泛应用。肿块是乳腺癌最常见的表现形式之一,与正常组织相比,肿块区域在乳腺x线图像中亮度较高。由于筛... 详细信息

乳腺癌是女性最常见的癌症之一,其严重影响患者的生活质量。乳腺造影是筛查乳腺癌最常用的方法,在众多成像技术中,乳腺x线成像被广泛应用。肿块是乳腺癌最常见的表现形式之一,与正常组织相比,肿块区域在乳腺x线图像中亮度较高。由于筛查乳腺x线图像是一项耗时的工作,且检测结果多基于医生主观分析,缺少定量评价,因此基于图像处理和模式识别方法的计算机辅助诊断具有重要的研究意义。乳腺x线图像中肿块尺寸差异较大,肿块与腺体组织叠加,造成肿块与周围组织对比度较小,此外致密性乳腺中包含较多的腺体组织,使得检测结果中假阳性率偏高,因此肿块的自动检测是一项具有挑战性的工作。本章以西方以及我国乳腺图像为研究对象,深入研究基于深度学习的乳腺x线图像肿块检测方法,论文主要完成工作及创新点如下:(1)为解决检测网络对肿块尺寸敏感而造成检测性能不佳的问题,提出了一种基于显著性检测的单边图像肿块检测方法。为充分利用深度的语义信息和准确的空间信息,设计了一种多级连接的编码-解码器模块以融合不同层级的特征图。为保留显著性检测图的完整肿块区域并减少特征图的干扰信息,构建了一种级联的显著性检测图生成结构。实验结果表明,该方法可以实现不同尺寸的肿块检测,在肿块与背景信息对比明显的图像中具有较好的检测性能。(2)针对Anchor尺寸较难合理设定以及正负样本不平衡问题,提出了一种基于Anchor-Free(AF)思想的肿块检测网络。通过修改YOLOv3的输出为AF模式,避免了设置Anchor尺寸的问题。为提高边框回归的准确性,采用一般化交并比(Generalized Intersection over Union,GIo U)损失函数训练边框回归任务。为解决正负样本不平衡使网络性能退化问题,采用焦点损失(Focal loss,FL)函数优化目标预测损失。实验结果表明,相比基于Anchor的YOLOv3检测方法,该方法具有更好的肿块检测性能。(3)针对检测结果假阳性率偏高的问题,提出了一种基于双边分析的肿块检测方法。为实现无标注点情况下的双边乳腺图像配准,设计了一种自监督配准网络,该网络通过最大化图像相似性度量直接估计空间变换。为融合单边图像肿块检测和双边图像信息去除假阳性功能,将区域建议网络与孪生全连接网络相结合,设计了Siamese-Faster-RCNN检测网络。实验结果表明,相比于单边Faster-RCNN检测,Siamese-Faster-RCNN在不降低真阳性率的同时可有效降低假阳性率。

关键词：乳腺癌乳腺x线图像肿块检测深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

数字乳腺x线图像肿块区域的增强与检测研究

数字乳腺X线图像肿块区域的增强与检测研究

作者：金振成扬州大学

学位级别：硕士

乳腺癌目前在世界上许多地区都是危害妇女健康最常见的恶性肿瘤。乳腺癌早期诊断主要是依靠乳腺x线图像来诊断,而肿块是乳腺癌的一个重要的表征,因此对乳腺x线图像肿块区域的研究分析有着极为重要的意义。但在数字乳腺x线图像中,肿块和... 详细信息

乳腺癌目前在世界上许多地区都是危害妇女健康最常见的恶性肿瘤。乳腺癌早期诊断主要是依靠乳腺x线图像来诊断,而肿块是乳腺癌的一个重要的表征,因此对乳腺x线图像肿块区域的研究分析有着极为重要的意义。但在数字乳腺x线图像中,肿块和背景的对比度比较低并且肿块的边缘比较模糊,而肿块边缘信息却是判断肿瘤是良性还是恶性的重要线索。这显然为医师对病情的正确诊断带来了很大的不便。针对乳腺x线图像肿块增强和检测的计算机辅助诊断研究,目前国内外这方面的研究成果报道还非常少。本文针对乳房肿块的特点对肿块增强、肿块分割、肿块良恶性的识别整个肿块检测系统做了研究,提出了一些新的算法,并在实验中取得了显著效果。此外根据人眼的视觉特性,提出了一种对医学图像显示进行修正的方法,可以使同一幅医学图像在不同的显示系统上得到视觉上一致的显示。肿块增强:由于周围脂肪、腺体组织厚度不均匀等原因,使得图像对比度不高,肿块区域往往难以辨别,并且边缘比较模糊。本文根据肿块通常表现为近似圆形的凸出区域这一特征,提出了一种有效的自动增强肿块区域的算法。该算法利用图像的梯度信息,对整幅图像进行处理可以自动有效的增强和检测出图像中肿块区域,而且肿块的边缘信息也可以得到很好的保持。肿块分割:图像分割是医学领域的一个非常重要的应用领域,肿块形状是判断肿瘤是良性还是恶性的重要特征。本文通过对增强后图像提取肿块区域的灰度、面积、紧缩度、对比度四个特征值,利用新的区域生长方法对整幅图像处理,可以有效的分割出图像中肿块区域,而且很好的保持了肿块的边缘信息。肿块识别:粗糙集理论是一种新的处理不确定知识的数据工具。目前已在机器学习、数据挖掘、模式识别与分类等方面得到了广泛应用。本文提出了基于粗糙集理论的肿块识别系统,该系统包括规则获取和肿块识别两部分,在这两部分中综合运用了粗糙集中的多种理论。规则的获取包括以下几个步骤:图像预处理、肿块区域分割、获取肿块特征(平均亮度、区域噪声、Law纹理能量度量等10个特征值)、建立决策表、离散化决策表、约简决策表、获取决策规则;而肿块识别是通过规则的匹配来完成的。实验表明该方法对肿块良恶性的识别具有良好的效果,识别率为85%左右。显示一致性:由于不同显示系统显示特性的不同,同一幅图像在不同显示系统的显示效果也不相同,而医学图像的显示效果对临床诊断非常重要。本文根据人眼的视觉特性,提出一个对医学图像显示进行修正的方法。通过应用本方法不仅可以提高图像的显示效果,而且可以使同一幅图像在不同的系统上得到视觉上一致的显示。我们利用VC++开发工具,结合我们研究出的方法和一些常规图像处理的方法,再添加到另外开发的乳腺x线图像数据管理系统,组成了一套乳腺x线图像的肿块辅助诊断系统。它融合图像数据管理功能和计算机辅助诊断方法于一体,具有广阔的应用前景。

关键词：乳腺x线图像乳腺癌肿块肿块增强肿块分割粗糙集肿块识别视觉模型显示系统

基于级联深度神经网络的乳腺x线图像肿块检测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于级联深度神经网络的乳腺X线图像肿块检测算法研究

作者：丁雪松吉林大学

学位级别：硕士

近些年来,随着深度学习突飞猛进地发展,基于深度学习的目标检测技术已经被广泛应用到农业、军事、医疗、教育、航空航天等领域。乳腺癌近几年愈发被人们重视,已经成为女性群体中不可忽视的疾病之一。大量研究发现,早期进行乳腺钼靶x线... 详细信息

近些年来,随着深度学习突飞猛进地发展,基于深度学习的目标检测技术已经被广泛应用到农业、军事、医疗、教育、航空航天等领域。乳腺癌近几年愈发被人们重视,已经成为女性群体中不可忽视的疾病之一。大量研究发现,早期进行乳腺钼靶x线摄影检查可以尽早地发现乳腺癌。尽早地发现乳腺肿块,并且对其进行诊断和采取相应的治疗方案可以有效提高患者的存活率。目前,对乳腺x线图像进行诊断是放射科医生的工作,这个过程主要由医生根据个人经验和主观判断进行。同时因为乳腺x线图像中肿块的大小,形状,边界,纹理存在多样性,使得放射科医生的诊断工作具有一定困难。有研究表明,在之前的乳腺x线图像的回顾性研究中有20-30%的癌症被遗漏。近年来基于深度学习的目标检测技术被应用于计算机辅助诊断系统,用于作为诊断的第二意见辅助医生对乳腺x线图像进行诊断。深度学习逐渐成为医学图像分析的主流技术。医学图像分析领域对数据集标注的精度标准要求更高,正负样本数量差异较大,严重的不平衡问题会导致训练模型出现过拟合问题。在乳腺x线图像中肿块的大小、形状、边界、纹理存在多样性,并且肿块的信噪比与周围组织相比较低;肿块的位置变化较大;不同环境下,肿块的外观变化比较大;目标与非目标的外观差别很小。乳腺x线图像的以上特点对基于深度学习的肿块检测框架检测精度提出了很大的挑战。乳腺x线图像肿块检测面临的另一个问题是目前存在的经典深度学习框架对小尺寸的肿块存在遗漏问题。这对目前的目标检测算法又是一个难题。更深层的网络提取的深层特征对语义信息的表达效果更好,而浅层网络提取的低层的特征可以更好的表示目标的位置信息,更有利于目标的定位,提出将目标语义信息和位置信息的高、低层两种特征结合以达到更好的目标检测的效果。在训练阶段,CNN仅从标记的候选区域提取特征。但是,由于病理学家的经验和认知水平,标记区域通常是主观的,甚至是不准确的。癌症区域取决于其难以定义的驻留区域。也就是说,输出不仅可能取决于输入,而且取决于其所在的拓扑域区域。针对以上问题,本文提出了一个基于空间约束和多特征融合的多级目标检测架构,SC-FU-CS RCNN。首先,该框架由多个递增的重叠度(IoU)阈值训练的检测器构成,更深层的检测器可以更好地减少误报;其次,在框架中融合了卷积神经网络(CNN)的浅层与深层特征,使检测器更好地检图像中的模糊、较小的目标。最后,添加空间约束层纳入目标周围的拓扑区域特征。本文中,我们主要对以下几个部分进行讨论:(1)使用计算机辅助诊断对医学图像分析的背景综述。对近年来基于深度学习目标检测算法的计算机辅助诊断发展情况进行阐述。(2)介绍了基于手工设计特征和深度学习特征的计算机辅助检测方法及其优缺点。对两阶段和单阶段的经典目标检测算法分别介绍各自的算法流程、改进方法和自身存在的问题。(3)提出基于空间约束和多特征融合的多级目标检测架构,SC-FU-CS RCNN。以乳腺x线图像的肿块检测为中心,详细阐述了本文提出的基于级联深度神经网络的目标检测算法。首先,我们采用数个级联的R-CNN目标检测架构,通过多个递增的重叠度(IoU)阈值训练检测器以达到对样本进行重采样的目的。进而解决样本不平衡造成训练模型的过拟合问题。紧接着,针对乳腺x线图像肿块检测中小目标的遗漏问题,框架中采取了多层特征融合的方法使检测器更好地检测图像中的模糊、较小的目标。最后,添加空间约束层将目标周围的拓扑区域特征纳入训练模型以得到更精确的结果。实验中对数据集进行了数据增强,以达到提高目标检测准确率的效果。(4)为了有效地对本文提出的基于空间约束层和多特征融合的多级目标检测架构进行评估,实验中采用公开的乳腺钼靶筛查数字数据集(Digital Database for Screening Mammography,DDSM)和INbreast数据集。使用灵敏度、特异度、整体准确率、和Roc曲线等评价标准对本文提出的SC-FU-CS RCNN方法进行定量评估。实验中对比了添加空间约束层和多特征融合前后的乳腺x线图像中肿块的检测性能,并与其它使用深度学习技术的目标检测模型进行了对比。实验结果表明,SC-FU-CS RCNN实现了高于其他几种算法的准确率,验证了算法的有效性,一定程度上提高了乳腺x线肿块检测的性能。

关键词：计算机辅助检测乳腺x线图像深度学习乳腺癌卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于神经网络的乳腺x线图像钙化点检测

基于神经网络的乳腺X线图像钙化点检测

作者：秦文娟西北师范大学

学位级别：硕士

目前,乳腺癌已在很大程度上严重威胁着女性的生命健康,成为全球女性患病率和癌症死亡率最高的慢性肿瘤疾病。前期对乳腺癌的预防及检测,能够有效提高其治愈率,延长患者的存活时间。医学影像法是实现乳腺癌前期普查和诊断的有效手段,医... 详细信息

目前,乳腺癌已在很大程度上严重威胁着女性的生命健康,成为全球女性患病率和癌症死亡率最高的慢性肿瘤疾病。前期对乳腺癌的预防及检测,能够有效提高其治愈率,延长患者的存活时间。医学影像法是实现乳腺癌前期普查和诊断的有效手段,医生可以直接观察钙化点进行疾病的诊断,但是在人工进行钙化点检测时会存在着误诊和漏诊的情况。随着计算机辅助诊断技术(Computerized Aided Diagnosis,CAD)的普及,乳腺疾病的普查和诊断日益便捷,然而大部分钙化点检测算法的准确率还有待提高。在乳腺x线图像钙化点自动检测的研究中,钙化点的精确分割是实现后续钙化点检测的关键。本文以乳腺x线图像为研究对象,利用全连接脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对乳腺图像进行分割,基于钙化点分割图进一步提取钙化点的形状、灰度和纹理等12个特征,然后基于这些特征利用深度神经网络(Deep Neural Network,DNN)实现了钙化点的良恶性分类。本文主要工作如下:1.基于全连接PCNN实现了乳腺x线钙化点图像的分割。通过对PCNN模型的参数进行研究和调整,提出了一种基于全连接PCNN的乳腺x线钙化点图像分割方法,得到了乳腺钙化点的最佳分割图,并运用连通域滤除方法对非钙化点区域进行滤除,进而确保后续钙化点检测的准确性和可靠性。2.基于模糊C均值(Fuzzy C-Means,FCM)算法实现了钙化点的聚类,进一步提取了钙化点的12个特征。通过在已聚类的乳腺x线钙化点簇图像上进行形状、灰度和纹理等特征的提取,分别计算出钙化点的数量、钙化簇的面积和长宽比、钙化点占钙化簇面积的比例等形状特征,钙化点的灰度最大值、灰度最小值、灰度均值、灰度方差等灰度特征以及能量、熵、对比度、相关系数等纹理特征。3.基于深度神经网络实现了钙化点的良恶性分类。通过大量实验,分析了乳腺x线钙化点图像的鉴别诊断效果,实验结果表明本文方法与人工标记的钙化点诊断结果基本趋于一致,在疾病诊断上具有较高的敏感度、特异度,同时也有着较低的假阳性率,从而能够帮助医生及时进行乳腺癌的检测和诊断,在临床医学中存在一定的实用意义。

关键词：乳腺x线图像脉冲耦合神经网络图像分割模糊C均值算法钙化点簇特征提取

基于相关向量机的致密型乳腺x线图像微钙化点簇检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于相关向量机的致密型乳腺X线图像微钙化点簇检测方法研究

作者：陈妙薇北京交通大学

学位级别：硕士

乳腺癌是当今女性健康的第一杀手,及时发现和早期治疗能有效降低其发病和死亡率。目前,乳腺钼靶x线检查被认为是乳腺癌早期诊断最可靠且最有效的方法,放射科医师通过观察乳腺x线图像中是否存在微钙化点簇来进行判断。利用计算机技术自... 详细信息

乳腺癌是当今女性健康的第一杀手,及时发现和早期治疗能有效降低其发病和死亡率。目前,乳腺钼靶x线检查被认为是乳腺癌早期诊断最可靠且最有效的方法,放射科医师通过观察乳腺x线图像中是否存在微钙化点簇来进行判断。利用计算机技术自动检测乳腺x线图像中的微钙化点簇能够有效地辅助放射科医师提高早期乳腺癌检测的精准度及效率。当前微钙化点簇检测方法大多基于国外非致密型乳腺x线图像,致密型乳腺x线图像中复杂的腺体组织使得图像对比度变低,当前检测方法检测其微钙化点簇的精度还有待提高。相关向量机(Relevance Vector Machine,简称RVM)是结合马尔科夫性质、贝叶斯原理、自动相关决定先验和最大似然等理论的基于概率预测的稀疏贝叶斯学习模型,其具有能够提供概率性预测和任意使用核函数等优点。基于此,本论文对相关向量机模型进行改进,提出了一种基于旋转方法的改进相关向量机模型,并将其应用于致密型乳腺x线图像中微钙化点簇的检测以期提高致密型乳腺x线图像中微钙化点簇的检测精度。论文完成的主要工作和创新点有:(1)针对相关向量机模型训练过程中微钙化点个数有限、易出现学习不充分等问题,本文提出了一种基于旋转方法的改进相关向量机模型。该模型首先通过交叉验证法优化核函数的参数,然后通过分析训练样本中样本特点,将旋转方法应用于相关向量,并将旋转后相关向量加入到原有训练样本中,以此增加训练样本特征差异性和训练样本个数。(2)针对致密型乳腺x线图像中微钙化点簇检测精度不高的问题,本文将改进相关向量机模型应用于致密型乳腺x线图像微钙化点簇的检测中。首先手动选取图像库中致密型乳腺x线图像,对高通滤波等预处理增强后的致密型乳腺x线图像提取特征向量并训练得到相关向量,然后将相关向量进行特定旋转变化后加入原有训练样本构成新的训练样本集,接着用新训练样本集训练的改进相关向量机模型对致密型乳腺x线图像进行检测,将检测出的微钙化点进行分簇,最后用自由响应受试者工作特征(FROC)曲线对算法检测性能进行评价。实验结果表明改进后的相关向量机模型能够有效提高致密型乳腺x线图像中微钙化点簇的检测精度。

关键词：乳腺x线图像乳腺癌检测微钙化点簇相关向量机旋转方法

基于卷积神经网络的乳腺x线图像分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的乳腺X线图像分类方法研究

作者：李锦通太原理工大学

学位级别：硕士

根据世界卫生组织国际癌症研究机构发布的全球最新癌症数据显示,乳腺癌的发病率超过肺癌,成为全球发病率最高的癌症。乳腺x线图像的计算机辅助诊断技术有助于乳腺癌的早期发现和准确诊断,尤其是随着深度学习的发展,卷积神经网络在图像... 详细信息

根据世界卫生组织国际癌症研究机构发布的全球最新癌症数据显示,乳腺癌的发病率超过肺癌,成为全球发病率最高的癌症。乳腺x线图像的计算机辅助诊断技术有助于乳腺癌的早期发现和准确诊断,尤其是随着深度学习的发展,卷积神经网络在图像识别、运动分析和医学诊断等众多领域都取得了显著的进展,结合深度学习的计算机辅助诊断技术取得了良好的效果。但是乳腺x线图像存在乳腺肿块的边界不清晰、肿块的轮廓和纹理细节单一,以及良恶性肿块的特征差异不大等问题,导致最终的分类效果不理想,因此本文通过改进xception模型并提出特征融合模型来提高对乳腺钼靶图像良恶性分类的精度,主要研究内容如下:（1）在基于深度学习的乳腺钼靶图像分类任务中,一种思路是直接对乳腺x线图像进行分类,另一种思路是先在乳腺图像中提取肿块附近的感兴趣区域（Region of Interest,ROI）再对ROI图像进行分类。在对全图进行分类的任务中,由于乳腺肿块的区域仅占整幅图像的3%到5%的面积大小,直接对整幅图像训练分类可能会导致数据不平衡,分类效果容易受非肿块区域的胸肌、背景和标注等因素的影响;对ROI图像进行分类的任务中,虽然减少了非肿块区域对分类效果的影响,但是也损失了全图信息对分类预测的参考作用,并且ROI的标注过程耗时耗力,需要标注医生具有丰富的临床经验。本文分别对乳腺钼靶图像的全图和ROI图像的分类任务展开研究,进行对比实验分析。（2）基于卷积神经网络端到端实现乳腺钼靶图像的自动分类,选用CBIS-DDSM（Curated Breast Imaging Subset of DDSM）和MIAS（Mammographic Image Analysis Society）乳腺x线图像数据库进行训练实验,对乳腺钼靶图像做良性和恶性二分类研究。本文对xception模型进行优化改进,并与常用于图像识别任务的经典模型Inception V3、Resnet50和Mobile Net V2进行实验对比分析。通过改进xception模型中的残差连接模块的结构,来提高模型的特征提取能力,减少特征提取过程中的一些有用信息的丢失;为了使xception模型可以自注意各个通道之间的关系,通过在深度可分离卷积层后嵌入压缩-激励注意力机制对模型进行改进,使模型可以自注意各通道信息的重要程度,突出重要的通道信息;最后,优化了该模型的全连接层分类器,缓解模型训练过程中出现的过拟合问题。结果显示本文提出的改进方法在只增加很少的参数数量和计算量的情况下,大大增加了模型对乳腺钼靶图像的分类性能。（3）为了互补乳腺钼靶图像和ROI图像的特征信息,提出了一个特征融合模型,实现融合两种图像的特征信息进行分类,最终取得了比单一图像分类更高的准确率。特征融合模型包含了两个并行的独立分支,使用两个结构相同的卷积神经网络模型分别对全图和ROI图像进行特征提取,然后融合提取两种图像的特征进行分类。

关键词：乳腺x线图像深度学习计算机辅助诊断卷积神经网络图像识别

基于卷积神经网络的乳腺x线图像肿块检测算法的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的乳腺X线图像肿块检测算法的研究

作者：张敏西安电子科技大学

学位级别：硕士

随着社会的进步和经济的不断发展,人们的生活质量显著提高,而快节奏、高压力的工作环境,也给人们的健康带来了隐患。女性中,乳腺癌的发病率逐年上升,严重威胁着女性的身心健康。而早期筛查可发现早期病变,早诊断、早治疗可以有效降低乳... 详细信息

随着社会的进步和经济的不断发展,人们的生活质量显著提高,而快节奏、高压力的工作环境,也给人们的健康带来了隐患。女性中,乳腺癌的发病率逐年上升,严重威胁着女性的身心健康。而早期筛查可发现早期病变,早诊断、早治疗可以有效降低乳腺癌的死亡率。乳腺x线图像作为分辨率高,清晰度好的乳腺影像检查方式,被广泛应用于乳腺疾病的早期筛查。肿块作为乳腺癌的征象,放射科医师会根据肿块的情况来判断乳腺病变的程度。由于医师阅片量大,加上乳腺本身结构的复杂性,容易因疲劳造成漏诊和误诊的情况,而作为“第二双眼睛”的乳腺肿块计算机辅助检测算法可以辅助医师进行决策,提高病变的检测效率。本文结合了放射科医师检测病变的流程及机器学习、人工智能等领域的技术,对乳腺x线图像中的可疑肿块进行检测,主要工作成果概括如下:首先,针对之前研究者仅基于含有肿块的乳腺图像进行检测的问题,我们引入了双阶段检测方法。在对DDSM和INbreast两种乳腺x线影像数据集,进行不同的预处理后,采用深度多示例学习方法对图像进行粗检测,筛选出含有肿块的图像,再采用区域卷积神经网络检测图像中的良性肿块和恶性肿块,这种双阶段的检测方法更符合放射科医师的阅片习惯和工作流程,提高了乳腺肿块计算机辅助检测算法的实用性。其次,针对基于卷积神经网络对乳腺图像进行分类,准确率低的问题,采用了深度多示例学习方法进行分类。将原始图像划分为多个示例,基于Inception-v3网络提取特征,再采用线性逻辑回归和sigmoid函数得到每个示例的分类概率,将概率最大的示例的标签作为图像的分类标签。同时,基于乳腺图像中正示例集中分布于肿块区域的特性,设计了稀疏低秩的损失函数对网络参数进行调节,提高了对乳腺图像进行粗检测的准确率。最后,基于对DDSM和INbreast数据集特性的分析,对DDSM和INbreast分别采用Fast RCNN和SSD的方法进行肿块检测。针对Fast RCNN采用的选择性搜索方法中,基于图的图像分割方法生成的初始区域有空洞,导致无效候选框多的问题,我们采用线性谱聚类的超像素方法,生成形状保持性和轮廓紧凑性更优的初始区域,在基于多层次的合并算法后生成的候选框的质量更高,进一步提高了基于Fast RCNN进行乳腺肿块检测算法的性能。实验表明,本文提出的乳腺肿块计算机辅助检测算法,能较为准确地筛选出含有肿块的图像,并检测出图像中的良性肿块和恶性肿块,在保证检测准确率的同时,降低了假阳率。

关键词：乳腺x线图像卷积神经网络多示例学习区域卷积神经网络