多示例學(xué)習(xí)方法在乳腺鉬靶病灶圖像檢索中的應(yīng)用研究.pdf

1、乳腺癌是一種嚴(yán)重威脅中年女性生命與健康的惡性腫瘤。近年來乳腺癌在中國的發(fā)病率呈上升趨勢。早發(fā)現(xiàn)、早診斷、早治療能有效提高乳腺癌治愈率和乳腺病人的存活率。鉬靶X線攝影成為臨床上乳腺癌檢測的最常用的手段。研究表明計(jì)算機(jī)輔助診斷(Computer-AidedDiagnosis,CAD)技術(shù)可以有效輔助醫(yī)生幫助提高診斷效率,目前CAD中對腫塊檢測還存在許多困難。近年來,許多鉬靶CAD系統(tǒng)引入了基于內(nèi)容的圖像檢索技術(shù)(Content-basedI

2、mage Retrieval,CBIR)。相關(guān)研究表明,CBIR技術(shù)可以輔助醫(yī)師提高腫塊檢測精度。
　　 臨床診斷中,腫塊病灶在影像中往往表現(xiàn)為多語義問題,一個病灶往往既含有病變部分又含有正常乳腺組織。CBIR的基本技術(shù)框架是“按例檢索(query-by-example,QBE)",僅僅基于特征匹配的QBE框架不能很好地解決圖像檢索中的“語義溝”問題,往往需要融合(有監(jiān)督)機(jī)器學(xué)習(xí)方法以提高檢索精度。由于醫(yī)師提交的疑似病灶圖像存

3、在不確定性使得用傳統(tǒng)的有監(jiān)督學(xué)習(xí)方法來解決腫塊病灶檢索問題并非是一個最佳選擇。多示例學(xué)習(xí)(Multi-instance learning,MIL)方法是用于解決上述不確定性問題的一種新的機(jī)器學(xué)習(xí)框架。與有監(jiān)督學(xué)習(xí)不同,MIL框架中訓(xùn)練集是由包含概念標(biāo)記的包組成,而包中示例是沒有概念標(biāo)記的。一個包被標(biāo)記為正包要求包中至少有一個示例是正例,否則該包被標(biāo)記為負(fù)包。學(xué)習(xí)算法從由有標(biāo)記的包組成的訓(xùn)練集中學(xué)習(xí)出概念來預(yù)測新包的標(biāo)記。MIL應(yīng)用于CB

4、IR時將每一幅圖像視為一個包,分割后的每一個區(qū)域視為包中的示例。然后利用學(xué)習(xí)算法從訓(xùn)練集學(xué)習(xí)用戶感興趣的概念,并檢索包含類似概念的相關(guān)圖像。
　　 本文研究目的是將MIL方法應(yīng)用于鉬靶腫塊病灶檢索中。在乳腺鉬靶檢索系統(tǒng)中,查詢病灶通常是不確定的且難以被描述,因?yàn)槠浼劝∽儾糠钟趾姓Ｈ橄俳M織。如果查詢病灶被視為圖像包,那么就可以利用MIL技術(shù)解決存在的不確定性問題。本文提出了三種不同的包生成器算法并用MIL算法進(jìn)行概念學(xué)習(xí),

5、學(xué)習(xí)得到的概念用于檢索。本文通過大量實(shí)驗(yàn)比較了不同的MIL算法下各包的檢索性能。本文研究主要從以下三個部分進(jìn)行。
　　 第一部分,提出三種在MIL框架下用于乳腺鉬靶腫塊病灶檢索的包生成器方法,分別是基于JSEG分割圖像的J-Bag,基于視覺注意計(jì)算模型的A-Bag以及基于改進(jìn)的k-means聚類分割圖像的K-Bag。最后病灶圖像被轉(zhuǎn)換成一個包含4個示例的包,其中每個示例包含4維特征向量。第二部分,建立本文實(shí)驗(yàn)所需的數(shù)據(jù)庫,一個是

6、DDSM數(shù)據(jù)庫,另一個是病灶圖像采集自浙江省腫瘤醫(yī)院的數(shù)據(jù)庫。第三部分,從訓(xùn)練數(shù)據(jù)集中隨機(jī)挑選一定數(shù)量的正包和負(fù)包組成訓(xùn)練集,用給定的包生成器對病灶圖像進(jìn)行處理并計(jì)算各包,然后分別采用MIL算法(DD、EM-DD、BP-MIP)進(jìn)行學(xué)習(xí)。學(xué)習(xí)所得的概念用于對測試數(shù)據(jù)集中的圖像進(jìn)行檢索。實(shí)驗(yàn)中比較了MIL框架中不同包生成器和學(xué)習(xí)算法的性能,同時將本文提出的三種包生成器算法與SBN算法進(jìn)行比較。從實(shí)驗(yàn)結(jié)果來看,MIL方法可以用于乳腺鉬靶腫塊