基于深度卷积特征的乳腺x线摄影钙化良恶性鉴别及birads分类初步研究影像医学与核医学专业论文.docxVIP

优秀毕业论文 精品参考文献资料 硕士学位论文基于深度卷积特征的乳腺 硕士学位论文 基于深度卷积特征的乳腺X线摄影钙化良 恶性鉴别及BI．RADS分类初步研究 硕士研究生：曾辉 指导教师：陈卫国教授 摘要 目前乳腺癌已成为女性最常见恶性肿瘤，不论在发达国家还是发展中国家， 其发病率都呈上升趋势。乳腺X线摄影是乳腺癌筛查和诊断的主要影像手段，对 于微钙化尤其敏感。大量研究表明乳腺x线摄影对乳腺病变有着较高的诊断价 值。本文收集一定样本量的乳腺X线摄影钙化病变病例，结合BI·RADS分类以及 临床实践，总结乳腺X线摄影对钙化病变的诊断价值，并对乳腺癌筛查及诊断策 略进行初步探讨。 近些年，计算机辅助诊断的迅速发展为乳腺X线摄影诊断增添不少砝码，但 目前的推广及应用程度远远不够，原因在于其仍然存在许多局限和不足。深度 学习方法的出现能够拓展研究方向。它已经在语音、图像识别等领域取得巨大 成功，但较少涉足医学图像处理及识别领域。本研究尝试将深度卷积神经网络 运用到乳腺X线摄影图像处理当中，进行乳腺钙化图像的深度卷积特征提取，并 结合当前性能较良好的SVM算法进行分类器训练，初步评价分类器对乳腺钙化 病灶良恶性鉴别及BI．RADS分类效果。论文正文主要分为以下4个章节： 第一章绪论 主要介绍研究背景、意义，概述乳腺X线摄影在乳腺癌筛查和诊断领域的优 势和局限，叙述计算机辅助诊断的现状，并引入深度学习这一概念，阐述其在 相关领域的研究和成果，最后将深度学习(卷积神经网络)与乳腺X线摄影钙化 T 万方数据 摘要病变图像联系起来，目的在于初步评价基于深度卷积特征的乳腺 摘要 病变图像联系起来，目的在于初步评价基于深度卷积特征的乳腺X线摄影钙化病 变良恶性鉴别及BI．RADS分类效果。 第二章深度学习概述 主要内容为深度学习的基本概念以及常用的深度学习方法，为后续章节的 研究提供理论基础。 第三章乳腺钙化病变的X线摄影诊断及病理对照 收集我院2009年1月～2015年10月期间，符合纳入标准的乳腺X线摄影钙化病 变病例，结合BI．RADS分类以及临床实践，将BI．R．ADS IVa类分别定义为阳性／ 阴性，以金标准病理结果作为对照进行验证，从准确率、敏感度、特异度等以 及R0c曲线这几方面进行结果分析，总结乳腺X线摄影对钙化类型乳腺病变的良 恶性及BI．PADS分类诊断价值，能够对乳腺癌筛查、诊断策略进行探讨，也为 后续初步评价基于深度卷积特征的乳腺X线摄影钙化病变良恶性鉴别及 BI．RADS分类效果提供参考依据。 共计383例符合纳入标准的乳腺钙化病变，BI．RADS分类诊断结果分别为0 类2例、Ⅱ类8例、Ⅲ类47例、Ⅳ类185例(Ⅳa类94例、IVb-类45例、IVc类46例) 以及V类141例，而诊断准确率依次分别为：o类50％、II类100％、III类93．62％、 1Vb类68．89％、IVc类84．78％、V类99．29％以及IVa类43．62％(定义为阳性)或 56．38％(定义为阴性)；乳腺X线摄影诊断与病理对照方面，其结果因IVa类病 变定义不同而有所差异。IVa类为阳性病变时，乳腺X线摄影对钙化病变的诊断 敏感度、特异度、阳性预测值及阴性预测值分别为98．82％、40．63％、76．83％以 及94．55％，ROC曲线下面积为0．697士0．022：IVa类为阴性病变时，乳腺X线摄影 对钙化病变的诊断敏感度、特异度、阳性预测值及阴性预测值分别为82．75％、 92．03％、90．17％以及70．47％，ROC曲线下面积为0．824士0．021。 本部分结果表明：l、乳腺X线摄影对乳腺钙化病变有着较高的诊断效能， 对应不同的BI．RADS分类，其准确率稍有差异。BI-RADS II类(100％)、IT[ TT 万方数据 硕士学位论文 硕士学位论文 类(93．62％)以及V类(99．29％)病变的诊断准确率达到很高的水平，而Ⅳ类 病变(60％)的总体诊断准确率稍低。2、乳腺x线摄影诊断BI．RADS分类结果 与病理对照方面，在Ⅳa类病变定义不同情况下，其诊断敏感度、特异度、阳性 预测值、阴性预测值及ROC曲线下面积均有所不同，Ⅳa类病变表示为阳性时， 有着很高的敏感度，但特异度较低，表明误诊率稍高，预示着可能存在着过度 诊断或非必要的活检出现的可能性；当Ⅳa类病变表示为阴性时，敏感度及特异 度均较高，两者之间体现出较好的平衡性。3、本章节基于ⅣA类病变为阳性／阴 性的不同情况，总结乳腺x线摄影诊断乳腺钙化病变(383例)的准确率、敏感 度、特异度以及ROC曲线下面积，分析乳腺X线摄影对乳腺钙化病变的诊断效能， 对乳腺癌筛查、诊断策略进行了初步探讨，可为后续基于深度卷积特征的乳腺x 线摄影钙化良恶性鉴别及BI．RADS分类初