论文部分内容阅读
乳腺癌是世界各地女性的第二大死亡原因。迄今为止乳腺癌的病因并未完全清楚,早期发现和诊断是控制病症的关键,可以降低治疗成本、提高治愈的概率、挽救生命。超声成像技术具有无创伤、实时性、价格低廉和操作简便等优势,是早期检测和分类乳腺肿瘤最常用的诊断工具之一。通常,放射科医师在判读乳腺超声图像的过程中存在强主观性,而计算机辅助诊断(Computer-aided Diagnosis,CAD)系统的临床应用避免了这种弊端,大大提升了肿瘤检测的正确性、客观性和可重复性,是乳腺肿瘤检测和分类的有效手段。虽然计算机辅助诊断的快速发展给乳腺超声诊断提供了很大助力,但由于其仍具有很多局限以及不足,目前还未被广泛地应用及推广。深度学习方法能够促进该研究方向的发展,它已经在自然图像表示及目标识别等领域取得很大的进展和突破,但在乳腺超声图像处理及识别领域涉猎较少。本文主要对基于深度卷积特征的乳腺超声图像中良恶性肿瘤的检测及分类问题进行探讨。所采用的乳腺超声(Breast UltraSound,BUS)图像数据集来源于中山大学附属第三医院的1422个肿瘤患者,共收集2058幅乳腺肿瘤超声图像(包括1370例良性肿瘤及688例恶性肿瘤样本),且均经过活体组织切片检查(活检)证实。本文首先针对乳腺肿瘤超声图像检测及分类的发展和研究现状进行回顾,之后分别研究面向乳腺肿瘤超声图像的基于传统特征提取的分类框架算法以及基于深度卷积特征提取的自动分类框架算法,并对比分析其分类效果。本文的主要贡献如下:(1)研究基于传统特征提取的乳腺肿瘤分类方法。对乳腺超声图像进行分析,包括图像滤波预处理以及肿瘤区域分割,提取多种具有代表性的特征,然后引入高效的分类器对乳腺肿瘤进行分类。具体来说,对乳腺超声图像主要提取一阶特征、纹理特征和形态特征。另外,采用支持向量机(Support Vector Machine,SVM)和Adaboost两种分类器以评估基于传统特征提取的乳腺肿瘤分类方法的效果。(2)研究分析基于深度卷积特征的乳腺超声图像分类方法。以BUS数据集为实验数据,设计特定的卷积神经网络模型对乳腺超声图像进行自动式的特征提取,以获取深度卷积特征用于乳腺超声图像的分类。实验旨在引入一种新的乳腺超声图像分类框架算法,实现较传统的基于特征提取的分类方法更佳的肿瘤分类效果。(3)探索深度特征迁移在乳腺肿瘤分类上的应用。针对乳腺肿瘤超声图像样本较少的现状,研究采用基于深度特征的迁移学习方法,运用基于大规模自然图像数据集预训练的深度卷积神经网络模型并对其进行微调,以提取乳腺肿瘤超声图像的多种特征并输出分类结果。实验采用交叉验证的方法评估模型,通过多种评价指标对乳腺超声图像分类的效果进行综合分析,并且比较迁移多种不同的深度网络模型提取的特征对分类结果的影响。(4)将使用深度特征迁移方法得到的多种深度卷积特征相融合,并作为人工神经网络分类器(Artificial Neural Network,ANN)的输入特征向量。在BUS数据集上设计实验对模型进行训练及优化,并分析乳腺肿瘤的良恶性分类的效果,证明该方法的有效性。通过本文不同的研究性工作,表明基于深度卷积特征的分类方法能在一定程度上提升乳腺超声图像的分类性能,而且该方法能够有效地避免传统人工手动设计特征的复杂过程。另外,基于特征迁移的网络模型能够进一步提升分类性能,减轻由于缺乏样本数据对基于深度卷积特征的乳腺超声图像应用产生的影响。最后,融合从使用特征迁移方法的高性能深度卷积网络中提取的特征,能进一步提升乳腺超声图像的分类效果。