论文部分内容阅读
癌症是当前医学最大的难题之一,并且相对于6发达国家的癌症治愈率60%~70%,目前我国的癌症存活率仅仅为20%~40%。在医疗水平上,我国医疗技术并不与发达国家有太大差异,但是由于发达国家相对于我国有着较高的早期癌症筛查率,故癌症发现早,并且大多发现为早期,很大程度上为治疗减轻了难度,提高了癌症的治愈率与存活时间。在所有癌症中,对女性威胁最大的为乳腺癌,而早期的乳腺癌治愈率最高能达到95%。癌症通常的检测手段有:血液检测,宫颈涂片,活体穿刺,肠胃镜,X光,B超,钼靶摄片等,大多数检测手段有其特定检测癌症范围。在所有的癌症检测手段中,钼靶摄片、B超、活体穿刺三种为最常使用的检测乳腺癌手段,但是钼靶摄片有着辐射性、不同场景难适用性、检测次数限制性等缺点,而活体穿刺则有着会对患者造成生理上的创伤,增加了患者的病灶恢复压力,以及可能会出现伤口感染的风险。B超相对另外两种检测手段来说在这些缺点上有着自己的优势,以及B超能灵活的拍摄各个角度、部位的影像的特性,因此B超是最常适用于乳腺癌检查的手段之一。综上所述如何通过乳腺超声影像,提高对病灶的分析,并以此提高医生的诊断率,以及为以后的机器诊断乳腺良恶性肿瘤奠定基础是非常有意义的研究。近几年,深度学习方法被广泛的运用到医学的研究中,如关节炎诊断,白内障诊断,预测乳腺癌相关淋巴转移等。人工智能医学图像分割也是近几年一个非常热门的研究话题,同时在近几年时间里,提出了很多基于卷积神经网络和全卷积神经网络的分割模型,在其中比较优秀的三个模型:U-Net,CDeep3M,和FFNs网络将会作为本次实验的研究。深度模型的训练有着较高的计算资源要求,以及模型训练环境有着自己的配置要求,因此让三个模型在独立的环境中进行训练,以及提高现有硬件计算资源的运用是非常重要的。在本次研究中引入了docker容器技术,将每个模型和自己环境所需的依赖库集成在单独的容器中,任何容器改动都不会影响宿主机和其它容器。通过引入docker容器技术,提高了计算资源的运用率,降低了使用者的经验要求,同时由于docker的特性,也为在本次实验的基础上的研究与改进以及模型的移植提供便利性。乳腺病变的正确分割对于传统的计算机辅助诊断和深度学习的监督学习都是至关重要的,对进一步的定量分析具有重要意义。为了实现多功能深度学习算法的综合诊断,提出并设计了一种新的基于Docker的框架,该框架融合了三种流行的基于卷积神经网络的模型U-net、CDeep3M和FFNs。同时在进行验证之前,必须要有数量足够的乳腺超声影像。结果表明,U-net和CDeep3M具有较好的乳腺肿瘤预测分割能力,而FFNs则不能用于该数据集。此外,分析表明,Dokcer框架对于乳腺癌实时预测的环境搭建以及其他相关应用具有灵活性和广泛性。本次实验相关的B超数据集和Docker图像发布在:https://github.com/Tuer-wsd/Ultrasonography-of-breast。