检索历史 清除

摘要乳腺癌发病率已经跃居女性恶性肿瘤的首位，严重威胁女性健康。我国女性乳腺癌患者的早期诊断率和生存率与欧美国家仍有较大差距，推广乳腺影像学检查，实现乳腺癌的早期精准诊断是提高患者生存率的关键。数字乳腺断层摄影(DigitalBreastTomosynthesis,DBT)是一种断层乳腺X线成像技术，能有效减少由腺体组织重叠引起的漏诊和误诊，在乳腺癌的检查中有着日益重要的作用。但是DBT中的病灶分布于多层，显著增加了阅片医生的工作负担。此外，目前基于DBT图像的乳腺癌早期病灶诊断方法高度依赖于临床经验，缺乏客观量化的诊断依据。基于深度学习算法的DBT乳腺癌计算机辅助诊断(Computer-aidedDiagnosis,CAD)系统能快速准确的为医生提供客观定量的诊断参考，有重要的临床应用价值。因此，本研究针对DBT中乳腺癌早期疑似病灶精准诊断中的关键问题，开展了面向微钙化簇和肿块的病灶检测及分类算法研究，具体研究内容及创新点如下:<br>　　(1)基于各向异性三维上下文感知的乳腺微钙化簇假阳性降低算法研究<br>　　微钙化簇假阳性降低旨在从病灶初检算法输出的候选样本中区分真正的微钙化簇和假阳性检出样本，以降低检测算法的假阳性率。针对DBT图像层内和层间分辨率差距大、微钙化簇分布于多层且清晰度存在差异的问题，本项研究提出一种基于各向异性三维上下文感知的DBT微钙化簇假阳性降低算法。算法使用基于各向异性卷积的层内特征提取和层间上下文特征融合操作，保证了跨层特征融合只发生在特征图的层面，避免了输入的原始DBT图像各向异性分辨率的影响。由于二维层内特征提取的独立性，算法还可以在无额外计算资源消耗的条件下，实现对微钙化簇清晰切片的特征重用。在收集的中国女性乳腺数据集上进行实验，算法最终实现了92.68％的分类准确率以及0.9765的受试者工作特征曲线(ReceiverOperatingCharacteristic,ROC)的线下面积(AreaUnderCurve,AUC)。实验表明，该算法能充分利用DBT的各向异性三维上下文信息提升算法分类性能。<br>　　(2)基于分层特征提取和结构感知的乳腺微钙化簇良恶性分类算法研究<br>　　针对DBT中微钙化簇良恶性分类任务中先验特征难以有效利用的问题，本研究提出了一种基于分层特征提取和结构感知的微钙化簇良恶性分类网络。本项研究首先论证了上一项研究中使用的三维各向异性卷积原理上的局限性，进一步提出使用二维分组卷积实现更高效的分层特征提取，并从理论上证明了分组卷积可视为各向异性卷积的泛化形式。此外，本项研究还提出了一种基于局部可变形Transformer的微钙化簇结构特征提取模块，通过对微钙化点之间长程依赖关系的有效建模，实现将微钙化簇的结构先验信息引入良恶性分类任务。在私有数据集上的实验结果显示，算法最终实现了0.8687的平均AUC值，优于上一项研究的算法及领域内的其他先进算法。<br>　　(3)基于自适应特征金字塔和不确定性边界建模的乳腺肿块检测算法研究<br>　　针对DBT肿块边界模糊、易被致密腺体遮挡难以准确检测的问题，本项研究提出了基于自适应特征金字塔和不确定性边界建模的肿块检测算法。自适应特征金字塔模块使用交叉注意力结构实现多尺度特征图之间直接的全局相关性建模，避免了传统特征金字塔模块特征衰减的问题。本项研究还使用了一种基于不确定性边界建模的边界框表示方法。通过预测一组位置向量，实现对边界框坐标的概率分布离散建模，在获得预测框坐标不确定度的同时提高边界框预测的准确度，解决了肿块边界位置不确定性导致的模型优化问题。在公开数据集和私有数据集分别进行了独立实验,算法分别获得了90.76％和92.86％的平均检测敏感性,证明了算法在DBT肿块检测中的应用价值。<br>　　综上所述，本文以深度学习图像分析算法为技术基础，面向DBT中微钙化簇和肿块精准检测及分类中的关键问题，开展微钙化簇假阳性降低、微钙化簇良恶性分类和肿块精准检测算法研究，为加强深度学习在DBT图像乳腺癌辅助诊断技术中的广泛应用提供理论基础和技术支持。