论文部分内容阅读
乳腺癌是女性恶性肿瘤中的头号杀手,早期乳腺癌缺乏特异性的症状,若能够在早期筛查及时发现并治疗,治愈率会显著提高。另外,乳腺密度是早期诊断的重要指标,能够评估被试者的患癌风险,因此针对乳腺癌及早的筛查并诊断具有重要的意义。全乳自动化超声扫查系统(Automated Breast Ultrasound System,ABUS)在近年被推出,医生只需经过一次扫查即可获得完整的乳腺三维数据,规范化的操作使得远程诊断成为可能,不久后将大规模用于乳腺癌筛查任务中。然而,全乳超声目前也存在一些问题:如ABUS系统成像模式较新而技术人员不足、成像数据量大而读片工作量增加、小病灶容易漏诊、国内外相关研究较少等。因此,本论文基于ABUS数据,提出ABUS全自动分割系统——使得能够定量计算乳腺密度;提出ABUS病灶检测系统——实现精准高效的病灶检测定位,以减轻医生的负担。本论文以ABUS数据为研究对象,分别实现ABUS解剖层分割系统与ABUS病灶检测系统。系统的前半部分需要对ABUS图像的解剖层进行分割,为了解决ABUS数据中解剖层分层不明显等问题,本论文提出基于边缘信息正则化的侧监督方法(Deep Boundary Supervision,DBS)与深度编码自编码网络(Convolutional Encoder-Decoder Network,ConvEDNet)结合,并提出两段式迁移学习的训练手段(Two-Stage Adaptive Domain Transfer,2DT)进行训练,最终的结果与目前state-of-art的分割网络进行比较均为最优,且与医生标注的结果有很好的一致性。在系统的后半部分,本论文提出基于3D-Unet的方法对ABUS数据进行病灶检测。ABUS数据存在部分病灶小,难辨别等问题,为了提高小病灶的检出率,创新地采用密集深监督池(Densely Deep Supervision,DDS)的方法增强反向传播的梯度、采用目前现有的视频分类模型C3D对网络参数分布进行初始化加快网络收敛速度;针对病灶类别不平衡的问题,设计DSC Loss对网络进行监督;针对假阳过高的问题采用全连接条件随机场(Fully Connected CRF)进行去假阳操作,结果表明采用本文提出的方法病灶敏感性可达95.27%,FPPV为3.4。本论文实现的系统是目前首个基于深度学习的ABUS图像分割与检测系统,未来将有可能在临床普查中大规模应用,具有较大临床应用价值。