论文部分内容阅读
乳腺癌是严重危害女性健康的恶性肿瘤疾病,治疗的关键是早期诊断。超声影像检查是一种重要的乳腺癌无损诊断方法,依赖于医生对表观影像的研判阅读,所需时间长,工作量大,难以满足快速、批量的临床诊断需求。为了提高诊断效率,减轻医生的劳动强度,乳腺超声图像辅助诊断系统应运而生。图像分割是指把肿瘤区域从正常组织区域中提取出来,降低周围无关组织对肿瘤诊断的干扰,分割结果的好坏直接影响到诊断结果的准确性和可靠性,是辅助诊断系统中非常重要的一步。随着深度学习的蓬勃发展,基于深度学习的图像分割方法相比于传统方法在自动特征提取和分割准确率上有更好的表现。U型卷积神经网络(U-Net)是深度学习领域中广泛应用于医学图像分割的模型,但由于乳腺超声图像具有高噪声、低对比度、弱边界等特性,U-Net在乳腺超声图像肿瘤分割中并未达到预期的效果。为了实现更加精确的分割,本文增加了U-Net网络深度以获得更强的特征提取和分类能力,并解决了随着网络加深会出现的梯度消失问题。本文的主要工作和创新点如下:(1)借鉴了ResNet(Residual Network,残差网络)残差学习的思想,结合乳腺超声图像肿瘤分割的实际应用场景,提出残差学习U型卷积神经网络(简称ResU-Net)。ResU-Net增加了U-Net网络深度,有效提高了模型的特征学习能力。同时ResU-Net在U-Net基础上增加了残差学习单元,解决了随着网络加深出现的梯度消失问题,大幅降低更深层次网络的训练难度,使分割效果得到了显著提升。(2)针对大规模临床乳腺超声图像难以获得及传统的数据增强方法会造成原始图像重要诊断信息大量丢失的问题,借鉴了移动最小二乘形变的思想,实现基于移动最小二乘形变的数据增强方法,在扩大数据集规模提高网络泛化能力的同时,保证了重要诊断信息的完整性。(3)使用中山大学附属肿瘤医院提供的203幅医生标注过肿瘤区域的临床乳腺超声图像作为原始数据集,对ResU-Net的分割性能进行实验验证。实验表明,ResU-Net能够精准高效地分割出肿瘤区域,测试集肿瘤分割的相似度系数(Dice)为0.9568,交并比(IOU)为0.9173,优于传统卷积神经网络分割模型,具有较大的临床应用前景。