论文部分内容阅读
乳腺癌是目前女性最常见的肿瘤疾病,已成为危害女性健康的主要杀手之一。超声成像技术因其无创伤、实时性、价格低廉和操作简便等优势,已经成为乳腺癌早期诊断的主要方式之一。然而对超声图像的分析受限于医生的理论水平和实践经验,仅依靠人工判读往往会导致诊断结果带有主观性和难以避免的偏差。乳腺超声图像的自动分割可以为乳腺癌的诊断提供更加准确和客观的参考意见,是计算机辅助诊断系统的重要组成部分。但是超声成像技术存在斑点噪声、低对比度以及低分辨率等固有缺陷,增加了图像分割的难度。本文致力于研究一种基于卷积神经网络的图像自动分割方法,实现对三维乳腺超声图像的准确分割。本文结合深度学习领域中的卷积神经网络算法,创新地提出了一种乳腺超声图像的自动分割方法,将图像的分割任务转化为图像中每个像素点的分类任务。在提出的方法中,首先根据医生的标注采集大量样本,选取以特征像素点为中心的图像块作为卷积神经网络的输入,像素点代表的实际类别作为用于比对的实际值;然后设计卷积神经网络作为分类器,对样本数据进行训练,最终在测试集上取得了 80%以上的准确率。在使用训练好的模型进行超声图像的分割时,通过逐个像素点取图像块的方式确定每个像素点的类别,从而得到最终的分割结果。本文提出的方法可以正确地区分出乳腺超声图像中的皮肤、腺体和肿瘤等组织区域,分割出的形状和轮廓都与医生手工标注的标准结果相近,在各项定量评价指标上也取得了不错的结果。实验中通过对比不同神经网络参数配置生成的分割结果,选取出最优的模型;另外通过与其他方法的对比,说明了本文提出的方法具有一定的优势。本文使用卷积神经网络的方法处理复杂多变的超声图像,通过大量的样本数据使计算机自主学习图像到实际类别之间复杂的映射关系,更符合人脑的思维方式,而且分割过程无需人为干预,不用借助先验知识,可以实现完全的自动化,在样本数据充足的情况下可以取得更好的通用性,为计算机辅助诊断系统提供了新的思路。