论文部分内容阅读
乳腺癌发病率位居女性癌症之首并呈现逐年上升的趋势,因此对乳腺癌的诊断和治疗越来越受到社会的重视。乳腺癌的肿瘤类型有很多种,不同性状的肿瘤对应不同的治疗方案,因此,乳腺肿瘤的正确分类和识别在乳腺癌治疗过程中显得尤为重要。传统的乳腺肿瘤类别的认定需要医生借助影像学检查并依据病理结果来确定,该诊断过程繁琐,且效率低下。随着人工智能技术的发展,特别是深度学习、数字图像处理技术的不断改进,促使计算机技术辅助诊断乳腺癌成为研究热点。本文主要研究核磁(Magnetic Resonance,MR)图像结合纹理分析方法在鉴别乳腺纤维瘤(fibroadenoma of breast,FB)、浸润性导管癌(invasive ductal carcinoma,IDC)和浸润性小叶癌(invasive lobular carcinoma,ILC)上的应用价值,以及探究深度学习方法在浸润性导管癌病理级别预测中的应用价值。通过分析MR图像的纹理特征并结合卷积神经网络模型,预测不同类型的乳腺肿瘤,为乳腺癌诊断提供参考。本文的主要工作和贡献具体如下:(1)提出了基于纹理分析和多序列MR图像分割勾画方法。为了精确定位肿瘤区域,本文将纹理分析方法应用到MR图像分割中。利用常见的纹理分析方法,如:小波变换、Gabor滤波等方法获取MR图像纹理特征,并根据特征构建了基于像素的特征分类模型。然后,对像素进行分类,使用机器学习中常用的分类算法如支持向量机,聚类算法等对图像像素进行分类,进而实现图像的分割。在得到分割区域后,提取肿瘤的边缘来完成对病灶区域的勾画。同时本文根据核磁图像的特点,利用聚类算法对多个序列的核磁图像进行聚类,根据不同的聚类结果,完成肿瘤区域的分割,并提取肿瘤区域边缘。最后,与阈值分割,活动轮廓模型等分割方法进行对比,验证提出方法的性能。实验结果表明,该方法不仅能为不同肿瘤的特征提取提供区域勾画基础,还能为医生放疗确定靶区位置提供参考。(2)提出了基于Gabor特征的乳腺肿瘤MR图像分类模型。为了实现术前判断乳腺肿瘤的病理类型,本文充分利用计算机技术在图像识别上的优势,根据不同肿瘤图像纹理之间的差异来判断类型。本文首先利用Gabor小波获取MR图像5个尺度8个方向上的特征图像。其次,结合勾画模型获取特征图像肿瘤区域的像素均值,将其值作为特征,构建分类模型。然后,根据不同特征之间的差异大小对特征进行筛选,获得关键特征。分别使用贝叶斯、神经网络、支持向量机等分类算法对上述特征进行分类,并比较分类结果。最后,分别使用精确度、灵敏度和特异性三个指标来验证模型性能。实验结果表明,该模型在预测三种乳腺肿瘤的正确率在69.81%～77.36%之间。(3)提出了基于深度卷积神经网络和Gabor特征的浸润性导管癌病理级别预测模型。为了预测浸润性导管癌的病理级别,本文首先使用Gabor小波分析MR图像,通过获取MR图像上的纹理特征,并结合支持向量机构建分类模型。实验结果表明Gabor纹理特征能够区分两个级别的浸润性导管癌。其次,构建一个卷积神经网络模型,对两个级别的乳腺浸润性导管癌进行分类,通过调节网络结构的相关参数,不断提高分类的精度,找到最佳的参数网络。然后,将Gabor特征与卷积特征相结合,构建新的特征层,并使用SVM策略进行分类,完成模型的构建。实验结果表明对比其他方法,该方法的分类效果有明显的提升。上述研究表明,常见的三类乳腺肿瘤能够在MR图像上显示其差异,本文提出的模型预测三种类型的乳腺肿瘤精度最高为77.36%。同时,在预测两个级别的IDC上精度最高为81.33%,表明乳腺MR图像在鉴别FB、IDC和ILC,以及IDC级别方面具有重要的临床价值。