基于钼靶图像的乳腺肿瘤诊断方法研究.pdf

基于钼靶图像的乳腺肿瘤诊断方法研究

摘要

乳腺癌是女性中发病率极高的一种恶性肿瘤，如何在早期发现乳腺肿瘤对于治疗病

症十分关键，乳腺钼靶检查是乳腺癌筛查的首选方法。目前深度学习技术在医学影像处

理领域应用十分广泛，借助卷积神经网络辅助医生对乳腺肿瘤良恶性进行诊断成为当今

研究热点。然而由于有限的医疗资源，无法建立大规模的高质量钼靶数据集，导致卷积

神经网络对钼靶图像的良恶性诊断精度还有待提升，如何针对乳腺钼靶图像的特点，基

于卷积神经网络建立一个高精度的肿瘤良恶性诊断方法是迫切需要的。考虑到钼靶图像

包含了同侧乳房的两种视图，将两种视图互补的诊断信息应用于乳腺肿瘤的诊断是一个

值得研究的问题。因此，本文在钼靶数据集上使用卷积神经网络进行乳腺肿瘤良恶性诊

断模型的构建与优化，之后结合钼靶图像两种视图特征互补的特点设计双视图诊断模

型，提升肿瘤诊断的准确率，本文的主要研究内容包括如下：

首先构建钼靶图像综合数据集。选取了公开数据集DDSM和MIAS，以及哈尔滨医

科大学肿瘤医院提供的钼靶图像数据，统一三种数据集中的钼靶图像格式，并且分割出

图像中有效的乳房区域，最终获得3039张良性钼靶图像与3786张恶性图像。

其次使用性能优异的4种卷积神经网络（VGG16、ResNet50、Xception和

EfficientNetV2-S）构建钼靶图像肿瘤诊断模型，在综合数据集上分别采用迁移学习与非

迁移学习的方法进行模型性能测试，通过实验对比，采用迁移学习方法的EfficientNetV2

模型性能最为优越，最终选择EfficientNetV2模型作为肿瘤良恶性诊断基线模型。

接着鉴于钼靶图像的特点，对基线模型进行优化改进。将CBAM注意力机制模块引

入到诊断模型中，设计了三种模型结构改进方案，探索适用于钼靶图像的最优改进。并

且提出使用h-swish激活函数替换基线模型的Swish激活函数，加快模型的收敛速度。

通过两方面改进构建出的乳腺肿瘤良恶性诊断模型诊断精度达到了90.18%，相比于基

线模型提高了3.08%，更接近于医生的评价标准。

最后在前文算法基础上，结合钼靶图像双视图的特点，设计双视图乳腺肿瘤诊断模

型。使用多模态融合方法中的早期融合、中期融合与晚期融合方法对两种视图的信息进

行融合，分别构建了三种融合模型，其中晚期融合模型LF-TVDM效果更加优越，准确

率达到了92.36%，优于单视图模型，钼靶图像双视图诊断策略能够有效提升肿瘤良恶

性诊断的准确率。

关键词：深度学习；卷积神经网络；乳腺钼靶图像；迁移学习；乳腺癌诊断；多模态融

合

基于钼靶图像的乳腺肿瘤诊断方法研究

ABSTRACT

Breastcancerisamalignanttumorwithahighincidencerateamongwomen,howto

detectbreastcanceratanearlystageisveryimportantforthetreatmentofdisease.

Mammographyisthefirstchoiceforscreeningbreastcancer.Atpresent,deeplearning

technologyiswidelyusedinthefieldofmedicalimageprocessing.Theuseofconvolution

neuralnetworktoassistdoctorsinthediagnosisofbenignandmalignantbreasttumorshas

becomearesearchhotspot.Itcannotonlyreducetheworkloadofdoctors,butalsoimprove

theaccuracyofdoctorsdiagnosisandreducetheoccurrenceofmisdiagnosis.However,due

tolimitedmedicalresources,itisimpossibletoest