检索历史 清除

摘要乳腺癌作为女性中最常见的癌症之一，正受到越来越多的关注。在世界上大多数国家，乳腺癌是女性癌症发病率和死亡率的主要原因。有研究表明，乳腺癌在早期阶段被发现，患者的五年存活率可高达92％。近年来，有很多计算机诊断系统被提出用于乳腺癌的早期筛查和在诊断中辅助医生。而乳腺超声图像的分割作为其中重要的一环，对后续的乳腺癌的诊断、制定治疗计划、引导活检、治疗后疗效评估都有着重要意义。<br>　　超声乳腺图像有如下特点:1）图像质量差，病灶边界模糊、噪声大等;2）病灶的大小、形状、位置等差异性大;3）病人之间的乳腺结构差异性大，特别是年龄、体型等影响。而图像质量、肿瘤多样性和个体差异性，这些乳腺超声图像特点，对于得到精确的分割结果是重要挑战。目前主流的分割方法主要基于传统的机器学习方法和深度学习方法。基于传统的机器学习方法一般要通过人工挑选特征或者设置种子点等方式完成分割，这增加了使用者的工作难度和工作量。基于深度学习的方法基本为自动的，无需人工参与。因此本文中，我们采用基于深度学习的方法实现超声乳腺的自动分割。<br>　　在本文中，我们提出了针对于乳腺超声图像特点的卷积神经网络分割方法，能够自动分割出乳腺超声病灶区域，主要研究有以下两部分构成:<br>　　(1)提出了基于由粗到细的融合卷积神经网络的乳腺超声分割新框架。该框架首先以U-Net网络作为主干网络，针对乳腺图像的特点提出了融合流模块，逐渐融合不同层级的特征表达（包括病灶尺寸特征、从粗到细的深度特征以及边缘特征），以更加精确的分割乳腺病灶区域。同时，考虑到乳腺超声图像存在大量的白噪声和模糊的边缘，采用超像素算法以预处理方式降低噪声和模糊边缘的影响。最后，为了进一步应对乳腺超声病灶区域与背景区域的不平衡问题，提出了一个权重平衡损失函数，通过对每一张超声乳腺图像计算前景与背景之比得到权重系数，以训练网络达到更优的分割结果。<br>　　(2)提出了基于残差反馈网络的乳腺超声分割方法。精确的分割边缘对后续临床诊断治疗都有非常重要的意义，而超声乳腺图像却具有很多缺失、模糊的边缘和难以分辨的区域。因此，我们借鉴了反馈的思想，使网络自主学习缺失、模糊边缘和难以分辨区域的残差表达。另外，提出的残差反馈传输策略利用学习到的残差表达帮助网络能够更好的提取缺失、模糊边缘和难以辨别区域的特征，以达到精确分割的目的。最后，本方法在实验中不仅在分割精度上达到的最好的结果，还具有很好的泛化能力。