论文部分内容阅读
乳腺癌是女性发病率最高的恶性肿瘤,严重威胁着女性生命健康。研究表明,乳腺癌早期的发现、诊断和治疗可以有效降低乳腺癌的死亡率。乳腺核磁共振成像（Magnetic Resonance Imaging,MRI）是一种无核辐射危害的影像学检查方法,是目前乳腺癌早期诊断和术前诊断最有效的方式之一。在乳腺MRI影像计算机辅助诊断领域,大多数学者研究的对象为动态增强磁共振影像（Dynamic Contrast Enhanced Magnetic Resonance Imaging,DCE-MRI）,该影像可以有效的获得病灶组织的形态学和血流动力学信息,对恶性病变敏感性较高。T2加权成像（T2Weighted Imaging,T2WI）拍摄简易快捷,无需注射造影剂。但T2WI影像对恶性病变的敏感性较低,限制了其在临床应用中的推广。本研究以提升T2WI影像乳腺癌早期诊断价值为目标,基于生成对抗网络展开跨参数MRI影像特征生成研究,探索研究利用病灶信息更丰富的DCE-MRI影像提升信息量较少的T2WI影像的深度特征在乳腺癌良恶性分任务中的性能,具体的研究内容包括以下几个部分:（1）多参数MRI影像深度特征提取研究采用深度学习方法展开深度特征提取研究,获得DCE-MRI与T2WI影像的深度特征。先利用深度残差网络（Residual Network,Res Net）对DCE-MRI和T2WI影像进行乳腺病灶良恶性分类研究,完成分类任务后,固定网络参数,将Res Net中的卷积层作为特征提取器提取DCE-MRI和T2WI影像的深度特征。本研究使用受试者工作特征曲线下面积AUC对分类性能进行评价,T2WI影像深度特征的良恶性分类AUC为0.819,DCE-MRI影像深度特征的良恶性分类AUC为0.926,其分类性能显著优于T2WI特征（P-value=0.008）,表明DCEMRI的深度特征具有更好的良恶性诊断价值。（2）跨参数MRI影像特征生成研究为了从T2WI特征生成带有动态增强信息的DCE-MRI特征,本研究设计了基于生成对抗网络的跨参数MRI影像特征生成模型的网络结构,损失函数和训练方法。生成模型的核心组件为自编码器、生成器和鉴别器。自编码器用于提取DCE-MRI特征和T2WI特征之间的共享信息,降低输入噪声。生成器用于学习DCE-MRI特征的先验数据分布,并基于共享信息生成新的DCE-MRI特征。训练网络时,向生成模型中引入了均方差（Mean Square Error,MSE）损失函数,让生成的特征服从真实DCE-MRI特征分布的同时还具有分类诊断的价值。本研究利用Fréchet Inception距离（Fréchet Inception Distance,FID）和均方差MSE评价不同生成模型的特征生成质量,其中,基于WGAN-GP（Wasserstein GAN with Gradient Penalty,WGAN-GP）模型生成的DCE-MRI特征具更好的生成多样性（FID=9.481）和更高的欧式空间相似性（MSE=0.013）,对比生成特征和真实特征的特征图,发现生成特征保持了良恶性样本之间的差异性,具有潜在的分类诊断价值。（3）基于生成特征的乳腺癌诊断研究及其可解释性分析对生成的特征展开分类和可解释性研究,探究其在病灶良恶性诊断中的诊断价值。在乳腺病灶良恶性分类任务中,生成特征的分类AUC为0.859,显著优于原T2WI特征（Pvalue=0.041）,召回率提升了12.9%达到0.814,表明利用生成模型向T2WI特征迁入动态增强信息后,大幅提升了T2WI特征的良恶性分类性能及其对恶性病变的敏感性。在生成特征分类性能提升的可解释性研究中,采用类激活图方法对比分析了T2WI影像不同分类模型的注意力区域,发现生成模型能够更加精确的注意到病灶区域,进而提取对分类结果更有帮助的信息。在生成模型的有效性和鲁棒性研究中,本文设计了多组消融实验与不同数据划分的重复性实验。实验结果表明,生成模型中的各个组件均能有效提升DCE-MRI特征的生成质量,且生成的DCE-MRI特征对T2WI特征的良恶性分类性能及其恶性病变敏感性的提升具有较强的通用性和稳定性。本研究提出了一种跨参数MRI影像特征生成及其诊断应用的方法,相对于传统的基于DCE-MRI影像的乳腺癌辅助诊断的方法,本方法在应用阶段不依赖于DCE-MRI影像,成像成本低,无增强剂副作用;相对于传统的基于T2WI影像的乳腺癌辅助诊断方法,本方法具有更高分类AUC和恶性敏感度,引入动态增强影像的先验知识提升了T2WI影像的乳腺癌诊断价值,对于推广T2WI影像的临床应用具有重要意义。