基于自适应弱监督学习的自动乳腺容积图像肿瘤检测方法研究

Breast cancer is the most common cancer for women in China. Early detection and treatment of breast cancer have been shown to be useful in reducing mortality rates. Automated breast ultrasound (ABUS) is one of the most popular imaging modalities for the early detection and diagnosis of breast tumor. However, reading ABUS images is extremely time-consuming, and the relatively high false positive rate remains a concern. Therefore, the automatic and intelligent tumor detection in ABUS images is expected to assist clinicians in facilitating the identification of breast cancer lesion. However, robust and accurate tumor detection remains a challenging task, which should be further explored. To address this problem, we propose a deep learning based method for automatic tumor detection in ABUS images. First, we propose to use progressive classification adaptation and localization adaptation for weakly supervised object detection where only image-level annotations are used for training the deep convolutional neural network (CNN). The weakly supervised learning will dramatically reduce the annotation workloads of clinicians. Second, the proposed classification adaptation is able to learn discriminative features for distinguishing tumor images and false positive images, thus improves the robustness of tumor classification. Finally, the proposed localization adaptation learns discriminative tumor representation for the accurate tumor location detection. Our proposed novel methods can provide an accurate and automatic tumor detection tool for breast cancer screening, which will promote the applications of computer-aided detection in medical image-based examinations.

乳腺癌是我国女性发病率最高的恶性肿瘤，早期诊断是提高乳腺癌患者存活率的关键。自动乳腺容积成像是乳腺癌早期诊断的重要影像学新手段，但其临床应用主要受限于人工读片耗时较长和较高的假阳性率。自动乳腺容积图像中肿瘤的智能检测对乳腺癌早期诊断具有重要的临床意义，智能检测的鲁棒性和准确度则是现有研究面临的核心问题。本项目提出一种基于深度学习的自动乳腺容积图像肿瘤智能检测新方法。首先，研究基于弱监督学习的目标检测方法，仅利用图像层面标注数据，渐进式的训练深度卷积神经网络，减轻医生手动标注工作量；其次，研究自适应图像分类方法，通过充分学习高辨识度的特征，提升肿瘤和假阳性图像分类的鲁棒性；最后，研究自适应目标定位方法，通过高效学习肿瘤辨识度高的特征表达，实现肿瘤区域的准确定位。本项目提出的一系列研究方案具有原始初创性，可为乳腺癌筛查提供高效而准确的自动肿瘤检测方法，将推动计算机辅助检测在影像学检查中的应用。

乳腺癌是我国女性发病率最高的恶性肿瘤，早期诊断是提高乳腺癌患者存活率的关键。自动乳腺容积成像是乳腺癌早期诊断的重要影像学新手段，但其临床应用主要受限于人工读片耗时较长和较高的假阳性率。自动乳腺容积图像中肿瘤的智能检测对乳腺癌早期诊断具有重要的临床意义，智能检测的鲁棒性和准确度则是现有研究面临的核心问题。本项目提出一系列基于深度学习的自动乳腺容积图像肿瘤智能检测新思路，主要包括以下研究内容：首先，研究基于弱标注的自适应分类方法，通过充分学习高辨识度的特征，提升肿瘤和假阳性区域分类的鲁棒性；其次，研究基于深度学习的目标检测，通过高效学习肿瘤辨识度高的特征表达，实现肿瘤区域的准确、快速定位；最后，研究基于高性能三维检测模型的乳腺肿瘤超声影像辅助诊断解决方案，实现乳腺肿瘤的准确定位及良恶性诊断。. 本项目取得了优异的研究成果，主要包括：发表学术文章17篇，其中SCI收录11篇（包括IEEE Transactions on Medical Imaging，IEEE Transactions on Image Processing等国际顶刊），MICCAI、ISBI、EMBC等国际会议论文6篇；申请专利3项。项目组获得的重要学术贡献主要如下：（1）在国际上首次提出一种基于密集深监督和自适应阈值筛选层的容积超声图像乳腺癌自动检测新方法，该方法兼具高敏感性和低假阳率；（2）在国际上首次提出基于三维卷积核分解和非对称损失的容积超声图像乳腺癌自动检测新方法，有效降低自动检测的时间，提升乳腺癌筛查效率；（3）在国际上首次提出基于混合相似性损失的三维检测模型，有机的将病灶检测和肿瘤良恶性分类相结合，实现全自动乳腺肿瘤辅助诊断。本项目提出的一系列技术思路具有原始初创性，可为乳腺癌筛查提供高效且准确的自动诊断方法，将推动计算机辅助检测在影像学检查中的应用。