论文部分内容阅读
超声作为临床中最常用的筛查诊断工具之一,已被公认为是乳腺癌、甲状腺癌的首选影像学检查方法。随着深度学习技术的发展,将计算机视觉、模式识别技术的成果应用于临床超声的计算机辅助诊断分析中成为当前国际医疗影像领域的研究热点。由于超声数据成像质量低:存在大量斑点噪声、边缘细节不清晰,以及现有公开数据集少且规模小,数据集中阳性样本与阴性样本数量级差异明显等问题,利用计算机辅助诊断手段进行超声图像自动分类颇具挑战。首先,为解决超声图像数据集的小样本问题,本文探索了标注样本稀缺的情况下进行迁移学习的有效性,分别从自然图像领域及人脸图像领域将模型参数迁移至医疗超声领域,选取经典的分类网络AlexNet、医疗影像分类任务中的常用网络VGG-16、人脸识别领域中性能先进的SphereFace进行迁移学习实验,其中基于AlexNet、VGG-16和SphereFace进行跨领域迁移的网络在甲状腺超声数据集上的分类准确率分别为89.3%、91.33%和93.54%。另外,本文研究基于GAN网络的样本扩增,首先以传统数据增强方式进行数据增广,增广后的数据集输入GAN进行特征学习,以生成高质量的超声图像样本作为新的增广数据集,实验结果表明,使用GAN样本生成的增广数据集在良恶性分类实验中效果最优,比原始未扩增的乳腺超声数据集分类准确率提高了14.29%、敏感性提高了17.94%、特异性提高了12.87%,比传统数据增强方式增广的数据集准确率提高了3.57%、敏感性提高了2.56%、特异性提高了3.96%,证明了利用GAN进行样本生成能够丰富数据的多样性,进而提升有限样本数据集的分类效果。另一方面,针对超声图像数据中良、恶性类别不平衡的问题,本文使用SMOTE算法进行少数类样本的过采样,实现样本的再均衡,有效提高了少数类样本的检出率,在乳腺超声数据集上的准确率提高了2.82%,敏感性提高了10.61%,特异性提高了0.46%;在甲状腺超声数据集上的准确率提高了3.14%,敏感性提高了1.72%,特异性提高了10%。而由于超声图像识别通常为简单的二分类问题,仅对病灶的良、恶性进行区分,为进一步提升其分类效果,本文研究了结合深度特征的SVM分类方法,与传统神经网络分类方法相比,在乳腺超声数据上的准确率提升了0.14%,在甲状腺超声数据上的准确率提升了0.86%。最后,实验结果表明,本文算法在乳腺超声数据和甲状腺超声数据中均能有效解决小样本以及类不平衡问题。其中,本文算法与使用同一个甲状腺开源超声数据集的算法相比准确率提高了4.71%,敏感性提高了8.02%,证明了本文算法在解决小样本及类不平衡问题上的有效性。