论文部分内容阅读
乳腺癌是现代女性常见病之一,随着生活节拍的加快与生活压力的加大,乳腺癌在成年女性中的发病率呈上升势向。超声作为乳腺癌重要的检测手段之一,因其价格低廉、环境要求低,在中国得到广泛使用。对乳腺癌严重程度的正确判断有助于大夫做出切合的医疗方案,提高治愈率。超声乳腺癌BI-RADS分级标准是国际上应用广泛的对超声乳腺癌的分级标准,按照这个标准,超声乳腺癌分为0-6共7个等级,每个等级有不同的乳腺癌特征来辅助判断,并且每个等级都对应不同的治疗方案。本文的研究就是利用超声乳腺癌图片信息进行BI-RADS分级。在以往的超声乳腺癌研究中,一般的做法是对超声乳腺癌进行良恶性的二分类,所采取的方法是传统的机器学习方法,依靠的都是手工提取的特征。纯粹的二分类在临床上的意义不大,因为医生不会根据简单的良恶性分类来采取治疗措施,医生需要更为详细的乳腺肿瘤的分级情况。在以往的利用手工提取的特征用于分类的做法对经验和专业知识的要求高,手工提取的特征都是明显的、易提取、简单的特征,隐藏在图像背后的不易用肉眼察觉的特征是手工提取不到的。针对这些问题,本文利用深度残差网络学习隐藏在图片背后的特征,进行比良恶性分类更为详细的BI-RADS分级。主要内容包括两部分:首先本文利用深度残差网络来学习超声乳腺癌图片中的潜在信息,代替直接将超声乳腺癌图片作为深度残差网络的输入而是采用将超声乳腺癌图片中的ROI矩形区域作为深度残差网络的输入进行学习,以达到去除冗余信息加快学习效率的目的。并且本文对深度残差网络进行了改进,将残差网络中传统的SOFTMAX层改为SVM去进行乳腺肿瘤的BI-RADS分级。其次本文基于乳腺癌图片的ROI矩形区域利用计算机系统提取肿瘤边缘信息,利用乳腺肿瘤边缘信息计算先验BI-RADS特征和图像纹理特征,将这些特征同深度残差网络学习到的特征进行结合来进一步提高超声乳腺癌分级的准确度。经实验发现,深度残差网络学习到的特征结合手工引入的特征一起用于SVM分类器能达到更好的分类效果。