检索历史 清除

摘要乳腺癌严重威胁人类生命健康。乳腺癌早期筛查能够有效的降低乳腺癌的死亡率。乳腺钼靶X线摄影（Mammography，MG）具有拍摄方便、无创伤性及费用性低等特点，是目前我国乳腺癌早期诊断最常用的影像之一。但MG影像对致密性腺体的病变判断能力较差。数字乳腺断层摄影（DigitalBreastTomosynthesis，DBT）从不同影像断层提供乳房的结构信息，提供更多的病灶信息。研究表明，医生在诊断中使用DBT影像相比MG影像能够获得更低的误诊率。但受限于我国DBT影像拍摄条件，在早期筛查中无法得到广泛推广。<br>　　本研究以提升MG影像乳腺癌早期诊断价值为目标，借助信息量高的DBT影像提升MG影像的分类价值，设计生成对抗网络模型开展跨模态DBT影像特征生成研究。具体的研究内容包括以下几个部分：<br>　　（1）基于卷积神经网络的MG影像和DBT影像良恶性诊断研究<br>　　良恶性诊断性能可以反映影像经卷积神经网络所提取特征的分类价值，分别将MG影像与DBT影像作为输入放入深度残差网络（ResidualNetwork，ResNet）提取特征，随后放入分类器网络进行良恶性分类，获得分类性能指标。研究中充分利用了DBT影像的断层信息，最终基于ResNet网络最优AUC值分别为0.845和0.890。DBT影像特征具有更好的分类性能，结论与医生诊断结果一致。<br>　　为了获得更好的影像特征以便于后续研究，本文提出了多尺度注意力机制模型对影像良恶性分类性能进行探索。多尺度注意力机制以ResNet网络为基础，利用不同Stage层输出作为特征图，经编码器、注意力池化等模型向ResNet网络中补充注意力信息。分别使用MG影像和DBT影像传入模型，最终模型分类性能获得大幅度提升，AUC值分别为0.861和0.916。表明多尺度注意力机制模型能够提取更好的影像特征。<br>　　（2）跨模态DBT影像特征生成研究<br>　　为从MG特征中生成分类性能更好的DBT特征，本研究设计了跨模态DBT特征生成模型的网络结构。模型包括编码器、解码器、生成器和判别器。编码器能够提取MG与DBT特征之间的公共特征，降低特征维度的同时降低MG影像噪声。解码器对编码器生成特征进行重构。生成器与判别器通过对抗学习的方式，拉近MG特征与DBT特征。利用FréchetInception距离（FréchetInceptionDistance，FID）评价生成模型的特征生成质量。在生成对抗网络模型的选择中，对比了WGAN-GP（WassersteinGANwithGradientPenalty，WGAN-GP）和LSGAN（LeastSquaresGenerativeAdversarialNetworks，LSGAN）模型，二者都获得了较好的生成质量。LSGAN模型更为突出，其FID值为10.769。随后对比生成特征与真实特征的特征图，对均值进行检验，二者无显著差异（P-value=0.651）。<br>　　（3）基于生成特征的乳腺癌诊断研究及可解释性分析<br>　　为论证生成模型可以提高MG影像的分类价值，将MG影像作为输入，使用常见ResNet网络作为其特征提取器（AUC=0.845），固定生成模型中编码器与生成器参数进行特征生成。将生成特征输入分类器网络，最终AUC值为0.878，具有显著提升（P-value=0.002）。在可解释性分析中，对比卷积网络模型与生成模型的类激活图，发现生成模型能更精准的注意到病灶区域，获得更好的分类性能。最后设计了多组不同MG特征提取器实验与组件消融实验，结果表明生成模型具有较强的通用性，模型中各组件均能提升生成DBT的特征质量。<br>　　本研究提出了跨模态DBT特征生成及其诊断应用方法，方法在应用阶段仅输入信息量较低的MG影像，提取获得影像特征，通过跨模态生成模型生成信息量更高的DBT影像特征用于良恶性分类，较传统基于MG影像的良恶性诊断方法相比，具更好的分类性能。研究对使用MG影像进行早期辅助诊断，具有重要意义。