基于深度学习的乳腺异常分类和肿块检测及分割

• 作 者: 许春波
• 出 处: 兰州大学
• 发表日期: 2020年01期

乳腺癌是全球女性中发病率最高的一种恶性肿瘤,也是造成全球女性死亡的第二大原因。乳腺癌的早期诊断和检测能够显著地提高患者的存活率,而乳腺钼靶X线摄影检查是早期乳腺癌检查和诊断的一种主要工具。通过人工阅读乳腺钼靶X光图像,初步判断有无乳腺癌病变。但是这种初步诊断是主要基于放射科医生的经验和专业技能的,因此它极易受到放射科医生的主观影响,进而容易导致漏诊和误诊。另外,人工阅片也是一项既费时费力又效率低下的工作。因此,为了提高诊断的效率和准确性,计算机辅助诊断系统应运而生,它通过为放射科医生提供一个可靠的参考意见,帮助提高乳腺癌诊断和检测的效率和准确率。本文基于乳腺钼靶X光图像,结合深度学习技术,对乳腺癌的计算机辅助诊断系统中的三个关键技术进行研究,分别包括:（1）乳腺钼靶图像分类。由于放射科医生更为关注的是异常类型乳腺钼靶图像,且计算机辅助诊断系统中的后续程序都是针对异常类型图像,因此利用图像分类技术来获得异常类型的图像,是乳腺钼靶X光图像分析中的一个重要步骤。乳腺病变区域的尺寸多样性,给乳腺钼靶图像分类带来了巨大的挑战。因此,本文提出了多尺度注意力引导的网络MSANet（Multi-Scale Attention-Guided Network）。MSANet由多个MSA（Multi-Scale Attention）bottlenecks堆叠组成。每个MSA bottleneck由一个尺度聚集（Scale Aggregation,SA）单元和多尺度注意力模块MSAM（Multi-Scale Attention Module）组成。前者旨在聚集多个不同尺度的特征图;后者旨在加权不同尺度的特征图。MSANet在最常用的乳腺钼靶图像数据库DDSM上进行验证,实现了0.9363的AUC。（2）乳腺肿块检测。由于放射科医生更为关注的是乳腺钼靶图像中的可疑肿块病变,因此利用乳腺肿块检测技术来获得可疑乳腺肿块病变,是乳腺钼靶图像分析中的一个重要步骤。乳腺肿块检测面临着两个巨大的挑战:类别不平衡,其背后原因是数据集规模小以及肿块占据图像中的小部分区域;一些乳腺组织极易被错误地检测为肿块,其背后原因是乳腺肿块与一些乳腺组织具有相似的视觉模式和模型不能够捕获到足够的上下文信息。为了解决上述两个问题,提出了improved Faster R-CNN（i Faster R-CNN）。与Faster R-CNN相比,i Faster R-CNN具有两个改进:使用Res Net-50作为主干网络;基于可扩展感受野模块ERFM（Expanded Receptive Field Module）改进分类子网络和回归子网络。i Faster R-CNN在一个经常使用的乳腺钼靶图像数据库INbreast上进行验证,实现了85.72%的召回率。（3）乳腺肿块分割。由于良性肿块和恶性肿块通常分别具有规则和不规则的形状,因此利用乳腺肿块分割技术来获得乳腺肿块的边缘,是乳腺钼靶X光图像分析中的一个重要步骤。本文在实验中发现U-Net模型分割小尺寸肿块的性能较为不好,其原因可能是U-Net的感受野受限。因此,本文提出了选择性感受野模块SRFM（Selective Receptive Field Module）。SRFM由多感受野模块MRFM（Multiple Receptive Field Module）和多尺度选择模块MSSM（Multi-Scale Selection Module）组成。前者能够生成不同尺寸感受野的特征图;后者能根据输入信息自适应选择最合适的特征图。基于SRFM,提出了自适应感受野网络ARF-Net（Adaptive Receptive Field Network）。ARF-Net在两个经常使用的乳腺钼靶图像数据库INbreast和CBIS-DDSM数据库上进行验证,分别实现了86.1%和85.75%的dice得分。