基于全卷积神经网络的全视野乳腺钼靶肿块分割研究

作     者：孙辉 

作者单位：山东大学 

学位级别：硕士

导师姓名：刘伯强

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 100214[医学-肿瘤学] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

主      题：乳腺癌 乳腺钼靶 分割 全卷积神经网络 

摘      要：乳腺钼靶是乳腺癌早期筛查最常用的工具。乳腺肿块的分割对乳腺癌的诊断和治疗具有十分重要的意义。但是,乳腺钼靶图像具有的低信噪比以及乳腺肿块尺寸形态的个体多样性等特点,给乳腺钼靶肿块分割任务带来了巨大挑战。现有的方法多是在分割前通过手动或者自动提取以肿块为中心的感兴趣区域来应对这些挑战。然而,手动提取的方式是十分耗时的,而自动提取的方式也面临着给随后的分割任务引入额外误差的风险。针对这些问题,本文提出了一种新颖的注意力引导的密集上采样网络(AUNet),用于直接在全视野乳腺钼靶图像上进行准确的乳腺肿块分割。AUNet采用非对称的编码器-解码器结构并结合了一个高效的上采样模块(AU模块)。具体而言,AU模块的设计具有三个优点。首先,它通过密集上采样来弥补双线性上采样的信息丢失;其次,它设计了一种更有效的方法来融合高级和低级特征;最后,它包含了一个基于通道的注意力模块用于突出关键性特征。本文在两个常用的公开数据集CBIS-DDSM和INbreast上评估了所提方法。与三种最高效的全卷积神经网络相比,AUNet均取得最佳分割性能。在全视野乳腺钼靶肿块分割任务中,不使用数据增强技术的情况下AUNet在CBIS-DDSM数据集上平均Dice相似系数为81.8%,在INbreast数据集上为79.1%,比现有方法提高了 2%-9%。