检索历史 清除

摘要现如今，乳腺癌在女性恶性肿瘤中发病率最高。研究表明，如果患者能在早期筛查出乳腺癌，及时就诊可以在很大程度上降低其对女性生命健康的威胁。而微钙化簇作为女性患乳腺癌常见征兆之一，非常有必要对其进行检测来辅助医生对于乳腺癌的诊断和治疗。<br>　　然而，乳腺检查中常见的二维X线摄影影像存在诸多缺点，例如组织重叠和结构噪声等。数字乳腺断层摄影（Digital Breast Tomosynthesis，DBT）是一种三维的成像方式，可以提供乳房各个横断面的影像信息，有效地避免了上述问题。在针对DBT影像的辅助性诊断和治疗方面，传统机器学习的方法存在一些缺点，比如步骤繁琐、需手动提取微钙化簇特征、需手动标注感兴趣区域、建立分类器实现、检测效率低以及泛化性较差等。为解决上述问题，本研究以辅助诊断系统的研发为目标，使用深度学习技术来实现DBT影像中微钙化簇的辅助诊断。具体的研究工作如下：<br>　　1、本研究基于改进的Cascade RCNN模型实现微钙化簇的检测，通过融合SENet模块于残差模块ResNeXt-50得到的SE-ResNeXt-50为骨干网络，替换原始的ResNet-50，增加了每个网络层的感受野，为后续Cascade RCNN中的RPN网络候选区域的生成提供更强的特征表达能力。<br>　　2、SE-ResNeXt-50中各个模块完成了对微钙化簇病灶的特征提取，但该方式存在一定短板，其根本原因在于采用了规则的矩形对特征进行提取，这会使得一些较为完整的特征未能被采集全，丢失了很多特征。为解决该问题，本研究选择可变形卷积DCNv2以保留更多完整特征。<br>　　3、传统FPN在基本不增加原模型计算量的前提下，将深层输出特征图融合到浅层网络中，通过深层特征进行上采样和浅层特征自顶向下的连接，使浅层网络保留影像中目标位置信息且提供了更多语义信息。因为微钙化簇目标大多比较小，且浅层网络包含更多的特征信息，为增加对微钙化簇的特征提取能力，本研究对FPN进行了改进，采用将浅层特征图融合到深层的方法。而非最大值抑制NMS又容易造成漏检，本研究选择采用Soft-NMS替代NMS来解决该问题。<br>　　4、为解决江西省三甲医院DBT数据集不足的问题，本研究首先针对数据集进行了数据增强处理，再采用迁移学习中基于模型迁移的方式，先在CBIS-DDSM数据集的二维钼靶影像上进行预训练，再将预训练后的模型迁移到江西省三甲医院DBT数据集上进行微调训练，有效的提升了检测效果。