论文部分内容阅读
乳腺癌是一种常见的恶性肿瘤疾病,在妇女人群中发病率居高不下,早发现早治疗是乳腺癌治疗的关键,当前钼靶影像技术是早期诊断乳腺癌有效方法之一。根据研究显示,医师能够运用计算机辅助检测(Computer-Assisted Detection,CAD)技术在早期阶段的钼靶影像中发现肿块,帮助医师提升工作效率。由于不同肿块之间仍然存在很大差异,例如大小、形状、密度等方面,肿块检出并进行分类仍然是一项艰巨的挑战。传统方法中对于肿块检测和分类过程比较繁琐,大多依赖于特征描述和阈值分析,这些方法泛化能力和鲁棒性较差。伴随者深度学习的崛起,其算法显示出在模式识别任务(例如目标检测和语音识别)中的强大功能,并且在图像领域得到了广泛的应用。与需要手动提取特征的典型机器学习方法相比,深度学习算法具有更强大的特征学习能力。本文通过结合当下发展迅猛的深度学习、迁移学习和目标检测技术,基于钼靶图像对乳腺肿块检测分类的特征提取器进行研究分析,主要如下:1.针对深度学习目标检测框架种类众多,应用于钼靶肿块检测尚未有一个统一的评测标准,因此比较方法之间的性能优劣相对困难的问题。本文提出基于深度迁移的乳腺肿块检测分类的特征提取器模型进行研究,将不同特征提取器迁移到不同方法上,以详尽公平的实验环境和设置,研究目标检测框架在医学领域乳腺肿块检测分类的应用,使用不同方法在速度和准确度上进行权衡和对比,同时运用深度迁移的思想探究不同特征提取器和不同框架之间的相关性,及其对框架性能的影响,意为医师在框架选择方面提供帮助和指南。2.针对R-FCN目标检测框架在运行时使得图像丢失了较多的细节信息和空间位置信息,以及在乳腺背景及组织复杂度较高的钼靶图像上检测分类有误检和漏检现象,提出基于参数优化的R-FCN的乳腺肿块检测分类方法。通过在R-FCN的Res Net101的特征提取器的one-stage中,加入激活函数RELU-6对初始化参数权重截断正态分布进行参数优化,实现优化后的模型能够更好地挖掘相关特征,拟合训练数据,加速收敛进而提高准确率。在参数初始化阶段采用正则化,运用生成截断正态分布随机数的初始化方法设定均值标准差,以确保数据在网络中稳定传输,成功降低了误检率和漏检率提升了准确率。