2024年4月20日发(作者：outstanding)
基于深度学习乳腺超声计算机辅助诊断系统研究
进展
2018年全球女性乳腺癌新发病例约208.88万，占女性新发癌症
的24.2%。中国乳腺癌世界人口标准化发病率约36.1/10万，虽低于
其他国家，但呈逐年增长趋势，如能及时诊断并进行干预，患者死亡
率可低于其他恶性肿瘤。不同于欧美女性多为脂肪型乳腺，中国女性
乳腺以纤维结缔组织含量较多的致密型腺体为主，超声声像图中病变
与腺体明显不同。超声是我国诊断及筛查乳腺癌的主要手段，但较依
赖操作者经验，诊断结果差异较大。除须提高超声医师专业素质及诊
断能力外，还应从技术角度寻找解决方案。
计算机辅助诊断（computer-aideddiagnosis，CAD）系统采用机器
学习方法对医学图像进行识别和概率性判断，是人工智能技术的一大
分支。通过模拟人脑神经网络结构，深度学习（deeplearning，DL）
将信息从低层传至高层，提取图像特征并分类，是当下极具应用前景
的机器学习方法之一。基于DL的CAD系统在提高诊断准确率、减少
漏诊或误诊及减轻医师工作负荷等方面均具有极大潜力和应用价值。
本文对乳腺CAD系统的背景及基于DL的乳腺超声CAD系统研究进展
进行综述。
1.研究背景
LEDLEY于1966年首次提出CAD系统。随着计算机技术及算法等
方面的进步，直至20世纪八九十年代，相关研究才得以在医学影像
学领域纵深开展，并逐步成为影像科医师的辅助工具，例如辅助分析
肺CT、乳腺及前列腺MRI和甲状腺超声等。1998年R2Technology公
司开发了乳腺CAD系统，并通过了美国食品药品管理局认证，基于
钼靶X线图像进行诊断。随后国外诸多相似乳腺CAD产品应运而生，
侧重于检测微钙化及识别病变等。
近年来，亚洲国家及拥有部分拉丁裔、亚裔人群的西方国家越来
越重视乳腺超声的应用，乳腺超声CAD系统的研发逐渐兴起，其过
程中所运用的核心算法也逐步从传统机器学习算法过渡到更为智能
的DL算法。
2.基于DL的乳腺超声CAD系统
传统CAD系统处理步骤主要包括图像预处理、选择和定位ROI
及提取ROI特征并分类，高度依赖人工选择及分类器整合特征。DL
具备自动提取特征能力，能处理大量图像，其应用提高了CAD系统
的鲁棒性及泛化能力，代表算法为卷积神经网络
（convolutionalneuralnetwork，CNN）。
2.1DL
DL的概念源自人工神经网络。人工智能研究的一大难点是计算
机面对大量数据信息时如何能够快速提取特征信息并加以处理。DL
的本质在于使机器在大量带标签样本中学习最佳特征，寻找数据内在
规律，减少人工定义特征带来的不准确性。
2.2CNN基本结构及技术
CNN是包含卷积计算且具有深度结构的前馈神经网络，由输入层、
发布者：admin，转转请注明出处：http://www.yc00.com/xitong/1713553498a2271910.html
评论列表（0条）