乳腺肿瘤DCE-MRI分割与诊断一体化模型研究

摘要

针对现有乳腺肿瘤诊断深度学习模型依赖大量的标注数据，且人工参与量大的问题，提出了一种小样本场景下、参数自优化的乳腺肿瘤动态对比增强磁共振图像(dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)分割与诊断一体化框架。在分割阶段，通过简单线性迭代聚类(simple linear iterative clustering, SLIC)与灰度共生矩阵(gray level co-occurrence matrix, GLCM)构建多维纹理特征空间，随后通过稀疏子空间聚类(sparse subspace clustering, SSC)与谱聚类实现图像分割，根据CH指标及采用网格搜索自动选取超像素块数和聚类数。在肿瘤诊断阶段，通过构建微调的DenseNet169模型，完成肿瘤区域识别；对肿瘤区域利用ResNet50提取特征，结合支持向量机(support vector machine, SVM)完成良恶性诊断。实验结果表明，在自建数据库上，肿瘤区域识别的准确率达到95.59%,肿瘤良恶性诊断的准确率达95.90%。该智能分割与诊断框架通过将无监督分割技术与深度学习有机结合，实现了分割与诊断的一体化流程。

关键词

智能化 / DensNet / 稀疏子空间聚类 / ResNet / 小样本 / 乳腺肿瘤