医学影像诊断中的深度学习技术：乳腺肿块与宫颈发育异常的智能分析

### 医学影像诊断中的深度学习技术：乳腺肿块与宫颈发育异常的智能分析 在医学影像诊断领域，深度学习技术正发挥着越来越重要的作用。本文将深入探讨两种基于深度学习的诊断方法，分别用于乳腺肿块的检测、分割与分类，以及宫颈发育异常的诊断。 #### 乳腺肿块的自动化检测、分割与分类 在乳腺疾病的诊断中，准确检测、分割和分类乳腺肿块至关重要。研究人员采用了深度学习方法来实现这一目标。 ##### 数据与方法 - **数据集**：使用公开的 INbreast 数据集，包含 115 个病例和 410 张图像，其中 116 张图像包含良性或恶性肿块。 - **实验设置**：采用五折交叉验证，将 116 个病例随机划分为训练集（60%）、验证集（20%）和测试集（20%）。同时，测试分为手动和自动两种设置。 - **手动设置**：使用手动标注的肿块边界框和分割信息。 - **自动设置**： 1. 首先检测肿块边界框，根据训练结果选择检测分数阈值，在训练数据上达到 TPR = 0.93 ± 0.05 和 FPI = 0.8，在测试数据上 TPR 为 0.90 ± 0.02 和 FPI = 1.3（当交并比（IoU）>= 0.5 时检测为阳性）。 2. 将得到的边界框和分割图使用双三次插值调整为 40 × 40 像素，并增强图像对比度。 3. 自动分割边界框，仅使用真阳性检测的分割结果在训练和测试中的 Dice 系数分别为 0.85 ± 0.01 和 0.85 ± 0.02。 4. 从这些图像块和分割图中提取 781 个手工特征，用于预训练 CNN 模型和训练、测试基于随机森林（RF）分类器的基线模型。 ##### CNN 模型 - **步骤 1（预训练）**：输入包含肿块图像块和相应分割掩码的两个通道。 1. 第一层有 20 个 5 × 5 的滤波器，随后是一个最大池化层（下采样因子为 2）。 2. 第二层包含 50 个 5 × 5 的滤波器和一个最大池化层（下采样因子为 2）。 3. 第三层有 100 个 4 × 4 的滤波器，后面跟着一个修正线性单元（ReLU）。 4. 第四层有 781 个 4 × 4 的滤波器和一个 ReLU 单元。 5. 第五层是一个包含 781 个节点的全连接层，用于近似手工特征。 - **步骤 2（微调）**：使用步骤 1 预训练的模型，添加一个包含两个节点（代表良性与恶性分类）的 softmax 层，并以 0.3 的丢弃率训练全连接层。 ##### 实验结果 | 方法 | 数据集（可复现？） | 设置 | 准确率（ACC） | | --- | --- | --- | --- | | 提出的基于预训练 CNN 的 RF | INbreast（是） | 手动 | 0.95 ± 0.05 | | 提出的预训练 CNN | INbreast（是） | 手动 | 0.91 ± 0.06 | | 提出的基于预训练 CNN 的 RF | INbreast（是） | 全自动 | 0.91 ± 0.02 | | 提出的预训练 CNN | INbreast（是） | 全自动 | 0.84 ± 0.04 | | Domingues 等人的方法 | INbreast（是） | 手动 | 0.89 | | Varela 等人的方法 | DDSM（否） | 半自动 | 0.81 | | Ball 等人的方法 | DDSM（否） | 半自动 | 0.87 | 从结果可以看出，基于预训练 CNN 的 RF 方法在手动和自动设置下都表现出较高的准确率。同时，全自动系统的运行时间为 41 秒，其中检测 39 秒、分割 0.2 秒、分类 0.8 秒；分类的训练时间为预训练 6 小时、微调 3 小时、RF 分类器训练 30 分钟。 #### 宫颈发育异常诊断的多模态深度学习 宫颈发育异常的准确诊断对于预防宫颈癌至关重要。当前的多模态框架在高特异性水平下灵敏度较低，因此研究人员设计了一种基于多模态信息的深度学习框架。 ##### 背景与动机 宫颈癌是 15 至 44 岁女性中第二常见的癌症类型。常见的筛查方法包括 Pap 测试、HPV 测试和视觉检查，但这些方法存在一定局限性。多模态信息可以提供互补信息，但现有方法在学习高度异质模态之间的相关性方面存在不足。 ##### 方法 - **数据输入**： - 图像输入：使用 Cervigram 作为低级别图像输入。 - 非图像输入：构建一个 13 维的高级非图像输入，包括四个 Pap 测试结果、三对 H