多示例學習方法在乳腺鉬靶病灶圖像檢索中的應用研究.pdf

1、乳腺癌是一種嚴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。研究表明計算機輔助診斷(Computer-AidedDiagnosis,CAD)技術可以有效輔助醫(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)引入了基于內容的圖像檢索技術(Content-basedI

2、mage Retrieval,CBIR)。相關研究表明,CBIR技術可以輔助醫(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)機器學習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)督學習方法來解決腫塊病灶檢索問題并非是一個最佳選擇。多示例學習(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器學習框架。與有監(jiān)督學習不同,MIL框架中訓練集是由包含概念標記的包組成,而包中示例是沒有概念標記的。一個包被標記為正包要求包中至少有一個示例是正例,否則該包被標記為負包。學習算法從由有標記的包組成的訓練集中學習出概念來預測新包的標記。MIL應用于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。然后利用學習算法從訓練集學習用戶感興趣的概念,并檢索包含類似概念的相關圖像。
　　 本文研究目的是將MIL方法應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,因為其既包含病變部分又含有正常乳腺組織。如果查詢病灶被視為圖像包,那么就可以利用MIL技術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算法進行概念學習,

5、學習得到的概念用于檢索。本文通過大量實驗比較了不同的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,基于視覺注意計算模型的A-Bag以及基于改進的k-means聚類分割圖像的K-Bag。最后病灶圖像被轉換成一個包含4個示例的包,其中每個示例包含4維特征向量。第二部分,建立本文實驗所需的數(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,從訓練數(shù)據(jù)集中隨機挑選一定數(shù)量的正包和負包組成訓練集,用給定的包生成器對病灶圖像進行處理并計算各包,然后分別采用MIL算法(DD、EM-DD、BP-MIP)進行學習。學習所得的概念用于對測試數(shù)據(jù)集中的圖像進行檢索。實驗中比較了MIL框架中不同包生成器和學習算法的性能,同時將本文提出的三種包生成器算法與SBN算法進行比較。從實驗結果來看,MIL方法可以用于乳腺鉬靶腫塊