基于深度學習的乳腺癌MRI影像預處理

鄭俊浩

(東華大學 計算機科學與技術(shù)學院， 上海 201620)

0 引 言

作為嚴重危害女性健康的疾病之一，乳腺癌(Breast Cancer)死亡率在美國等發(fā)達國家的所有癌癥中占據(jù)著第二位，據(jù)不完全統(tǒng)計，每年都會新增至少一萬病例數(shù)[1-2]。而在國內(nèi)，乳腺癌高發(fā)人群主要集中在45～55歲和70～74歲兩個年齡段，且病患的年齡逐漸走向年輕化。由此可見，中國乳腺癌的防治面臨著巨大的挑戰(zhàn)。在眾多影像檢查技術(shù)中，磁共振成像技術(shù)(MRI)憑借其高分辨率等優(yōu)點脫穎而出[3]，被廣泛應用于臨床診斷中，輔助放射科醫(yī)生進行診斷決策，大大提升了醫(yī)生的工作效率。

臨床上，由于技師缺乏經(jīng)驗、患者身體輕微移動等，在數(shù)字影像采集的過程中無法避免影像形變和噪聲的引入，因此，有必要對采集到的數(shù)字影像進行相應的預處理，獲取準確的圖像信息，為后續(xù)的特征計算以及影像分析提供一定的保障。

1 乳腺MRI影像配準

1.1 影像配準概述

影像配準是將不同數(shù)據(jù)集轉(zhuǎn)換為一個坐標系的過程，在多領域中取得廣泛應用。數(shù)據(jù)可以是多張照片，來自不同傳感器的數(shù)據(jù)、時間、深度或觀點[4]。醫(yī)學影像的配準為醫(yī)學影像數(shù)據(jù)后續(xù)的特征計算以及影像分析做好前期準備工作,并在病情診斷、病理追蹤等方面起到了非常重要的作用。

1.2 影像配準原理

假設有參考圖像IR及浮動圖像IF，在某種相似性測度函數(shù)下，通過尋找某種幾何空間變換T，使得經(jīng)空間變換后的IF與IR的相似度達到最大。那么，影像配準、即搜索最佳空間變換T*就可表示為：

T*=argTmax {S(IR,IF(T))}.

(1)

其中，S表示相似性測度函數(shù)。

這里，研究給出了本文影像配準方法的設計流程如圖1所示。

圖1 影像配準流程圖

1.3 梯度下降算法

本文使用了梯度下降算法進行乳腺MRI影像配準。作為迭代法中的一員,梯度下降(Gradient Descent)主要用于求解最小二乘的線性和非線性問題，也經(jīng)常應用于無約束優(yōu)化問題中。梯度下降法可以通過一步步迭代求解得到損失函數(shù)的最小值；相反地，通過梯度上升法也可迭代求解出損失函數(shù)的最大值[5]。研究推得的梯度下降的一個簡單示例如圖2所示，以此來說明梯度下降找到的可能是局部最優(yōu)解，而非全局最優(yōu)解。

圖2 梯度下降示例圖

2 乳腺MRI影像增強

2.1 影像增強概述

醫(yī)學影像增強是一種能提升圖像清晰度的處理技術(shù)，主要作用在于提升圖像視覺效果，以便于輔助醫(yī)務工作者做出精確的診斷。影像增強主要根據(jù)待處理圖像的模糊程度或模糊位置，通過應用多種處理技術(shù)，對整體圖像進行修復并改善一些局部細節(jié)[6]，表現(xiàn)出較強的針對性。

2.2 樸素貝葉斯算法

本文使用了樸素貝葉斯算法進行乳腺MRI影像增強。樸素貝葉斯分類模型起源自古典數(shù)學，以概率和統(tǒng)計理論為基礎，應用范圍比較廣，在很多場景下表現(xiàn)出良好的分類性能[7]。樸素貝葉斯分類模型基于以下的假設前提：如果決策變量已知，那么條件屬性之間是相互獨立的[8]。樸素貝葉斯分類模型在分類條件獨立性假設成立的前提下具有簡單的星形結(jié)構(gòu)，其結(jié)構(gòu)示意如圖3所示。從圖3中可以看出，作為每個屬性節(jié)點唯一的父節(jié)點，類變量C與各子節(jié)點之間是相互獨立的。

圖3 樸素貝葉斯星形結(jié)構(gòu)示意圖

3 實驗結(jié)果

本文采用的公共數(shù)據(jù)集是RIDER Breast MRI，選用的工具是Matlab。研究中的原始影像如圖4所示，經(jīng)過梯度下降算法配準后的影像見圖5，經(jīng)過樸素貝葉斯算法增強后的影像則如圖6所示。可以看出，處理后的影像要更加清晰，因而獲得了較為滿意的實驗結(jié)果。

圖4 原始影像

圖5 配準影像

圖6 增強影像

4 結(jié)束語

本文分別應用了梯度下降算法和樸素貝葉斯算法對公共數(shù)據(jù)集RIDER Breast MRI的影像數(shù)據(jù)進行配準、增強等預處理操作，以獲取較為準確的圖像信息，為后續(xù)的特征計算以及影像分析奠定了良好的基礎。