论文部分内容阅读
乳腺癌是全球女性中最常见的恶性肿瘤,严重威胁女性的生命健康。研究表明,乳腺癌的早期诊断和治疗可以极大程度降低乳腺癌的死亡率。磁共振成像（Magnetic Resonance Imaging,MRI）是一种无辐射的影像学检查方法,其中动态增强磁共振成像（Dynamic contrast enhancement MRI,DCE-MRI）不仅可以获得病灶组织的形态学特征,还可以获得血管中血流的灌注以及血管的通透性等血流动力学信息,是目前乳腺癌早期诊断最有效的方法之一。作为一种较为新颖的磁共振分析技术,DCE-MRI可以从宏观和微观的角度共同分析病变组织的生理结构及功能代谢情况,更有助于癌症的诊断和预后评价。但DCE-MRI影像序列的获取存在几点不足:其一,DCE-MRI影像扫描前,需要对患者注射造影剂;其二,DCEMRI影像序列获取的扫描时间过长,会出现序列缺失问题,进而导致DCE-MRI影像的信息量降低;其三,获得的DCE-MRI影像因受物理设备和病人动态扫描时呼吸的影响,而出现伪影问题。本研究的目的是,通过生成对抗网络（Generative Adversarial Networks,GAN）利用注射造影剂之前的乳腺癌影像序列生成注射造影剂之后的影像序列,从而避免注射造影剂给病人带来的不良影响。本研究提出的方法可以推广到利用已有的任意影像序列来生成缺失的影像序列,即对乳腺癌MRI影像数据做时间序列上的超分辨,进而解决序列缺失问题。最后,本研究将生成的DCE-MRI影像序列应用于乳腺癌病理信息的诊断中,并与真实的DCE-MRI影像序列做对比分析。本研究的具体内容如下:（1）乳腺癌MRI影像数据的采集及预处理首先,对采集的乳腺癌MRI影像数据进行筛选,选出322例可用于本研究的有效数据。其次,对筛选出的有效数据做病理信息统计分析,分析各病理信息之间的相关性,并对筛选出的乳腺MRI影像数据做半自动分割处理。半自动分割方法是基于放射科医生标注的肿瘤区域,选取肿瘤最大径的一张影像做手动切割去除病人的胸腔和表皮组织并生成掩膜（Mask）,再通过计算机将Mask与其它切片做点乘处理,进而在保持影像分辨率不变的情况下得到其它切片的去胸腔和表皮组织的影像数据。然后,对分割后的乳腺MRI影像数据做数据集划分,并通过旋转和镜像操作对训练集做数据扩充。（2）乳腺癌DCE-MRI时间序列超分辨影像的生成乳腺MRI时间序列超分辨影像的生成是本研究的核心部分。本研究利用现有的乳腺MRI影像序列,通过生成对抗网络生成缺失的影像序列。其中,本研究GAN模型的设计是基于循环生成对抗网络（Cycle generative adversarial networks,Cycle GAN）模型的循环对抗思想,通过增加Cycle GAN模型中生成器的网络层数,使其生成的时间序列超分辨影像包含更多的语义信息。同时,在GAN模型中引入感知损失,通过感知损失网络使得生成的影像序列的纹理、形状、轮廓等低层特征更加丰富。其中,对于感知损失网络结构的设计,本文对使用VGG和Res Net两种网络结构分别计算感知损失的结果进行对比分析,并考虑使用迁移学习对感知损失网络做预训练的影响。结果表明,VGG19网络计算感知损失效果最好,并且使用迁移学习可以使GAN模型生成的影像数据的质量有微小的提升。最终,对本研究提出的GAN模型与双三次插值、Cycle GAN等模型生成的乳腺DCE-MRI时间序列超分辨影像数据的质量做对比分析。结果显示,本研究提出的GAN模型生成的影像数据,在峰值信噪比（Peak signalto noise ratio,PSNR）和结构相似性（Structure similarity index measure,SSIM）指标的结果分别为36.210和0.988,均优于双三次插值、Cycle GAN等其它对比方法。（3）乳腺癌DCE-MRI时间序列超分辨影像在乳腺癌病理信息诊断的应用将生成的乳腺MRI时间序列超分辨影像数据应用于乳腺癌病理信息的诊断中,并与真实的DCE-MRI影像数据的诊断结果做对比分析。结果显示,生成的影像序列与真实的影像序列在准确率、预测结果的ROC曲线面积AUC、敏感性、特异性、F1值等指标的得分相近。其中,对于Ki-67和组织学分级诊断任务,AUC指标一般在生成的DCE-MRI影像的第二个和第三个序列取得最好结果,其AUC值分别为0.918、0.842;对于分子分型诊断任务AUC指标一般在生成的DCE-MRI影像的第三个和第四个序列取得最好结果,其AUC值为0.815。最后,通过类激活图对分类模型在生成序列和真实序列的分类结果做可视化显示。结果表明,分类模型在生成序列与真实序列中对影像病灶区域位置的检测基本一致,甚至在某些病例上生成的影像序列相对于真实的影像序列可以使模型更精确的注意到影像的病灶区域。研究表明,本文提出的基于生成对抗网络的DCE-MRI影像时间序列超分辨研究,可以解决DCE-MRI影像序列获取时对病人注射造影剂、扫描时间长、影像产生伪影以及序列缺失等问题。生成的DCE-MRI时间序列超分辨影像数据在乳腺癌的诊断中与真实DCE-MRI影像序列的评价结果相差很小,甚至在某些病例中本研究提出的方法生成的影像序列在某些指标的评估要优于真实的影像序列。本研究提出的方法,对推广MRI影像的临床应用以及乳腺癌诊断具有重要意义。