论文部分内容阅读
乳腺癌严重威胁女性的生命健康,已成为全世界女性最常见的恶性肿瘤之一。近年来,乳腺癌的患病率与死亡率呈现迅猛增长的态势。而癌症的早期发现与及时治疗会在极大程度上降低患者的死亡率,因而病症的早期发现与确诊就会显得尤为重要。目前,乳腺癌的诊断方法有多种,最为常见的检测方法便是乳腺钼靶X摄影技术。但由于成像条件限制,有些图像的清晰度不高,从而影响医生的诊断。肿块是乳腺X线摄影图像中最常见的直接征象之一,通过对肿块图像的分析就可以判断肿块的良恶。基于此背景,本文主要研究内容为:乳腺X射线图像的增强与肿块的良恶性分类技术。(1)本文提出了一种新的基于非下采样轮廓波变换(Non-subsampled Contourlet Transform,NSCT)的乳腺X射线图像自适应增强方法。首先将乳腺X射线图像进行直方图均衡化处理,以增强图像的整体视觉效果。然后将直方图均衡后的图像在NSCT域进行分解,将其高频分解为三层,每层分别分解为2、4、8个方向,其中第1、2层进行中值滤波去除噪声。然后设计一种特殊的边缘滤波器以增强各个子带系数,其中涉及两个参数,采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化参数,利用盲图像质量指标(Blind Image Quality Index,BIQI)作为优化的目标函数。对滤波和增强的子带系数进行NSCT逆变换重构图像,最终达到自适应强乳腺X射线图像的目的,使得图像的细节得到增强。采用数字乳腺图像数据库(The Digital Database for Screening Mammography,DDSM)中数据测试所提出的增强方法,采用信息熵、平均梯度、标准差、对比度改善指数(Contrast Improvement Index,CII)、BIQI和综合指标六个评价指标对增强前后的图像质量进行客观评价,并与其他几种同类方法进行了比较与分析。比较结果显示本文所提出的方法对乳腺钼靶X射线图像有较好的增强效果。(2)采用四层的卷积神经网络(Convolutional Neural Network,CNN)对增强前后的肿块图像进行良恶性分类。采用卷积神经网络进行自主学习特征,使用了4层卷积层,4层池化层和2层全连接层,最终以Softmax层作为分类器,前10层用于图像的特征提取,最后的Softmax层用于分类,实现乳腺X射线图像的良恶性分类。在DDSM数据库上做了具体的实验,增强前后的图像分类准确率分别为92.25%和95.38%。接收者操作特征曲线(Receiver Operating characteristic Curve,ROC)曲线下的面积(Area Under Curve,AUC)值分别为0.96和0.97。指标显示本文提出的增强方法对图像在四层卷积神经网络中有一较好的效果,并与同类图像的分类方法进行了对比,说明了本文所采用的分类方法具有一定的优越性。(3)采用残差网络(Residual Network)对增强前后的肿块图像进行良恶性分类。卷积神经网络层数越深,图像特征的提取越详细,分类效果越好,但是层数过多会出现梯度爆炸,使得分类效果反而变得更差,所以本文采用一个50层的残差网络(50-Layer Residual Network,ResNet-50),该网络层数比较深,可以提取丰富和有区别的特征。对基于ResNet-50网络的框架进行深度监督,通过直接指导网络的上下层的训练,进一步提高分类性能。采用DDSM数据库来验证该方法的性能。增强前后的图像分类准确率分别为93.35%和97.96%,增强前后的图像的AUC值分别为0.96和0.98。实验结果表明,本文所提出的增强方法可以提高残留网络中乳腺X摄影图像的分类精度。并与四层的卷积神经网络的分类效果进行了对比,结果表明ResNet-50网络的分类效果更具优势。