基于深度學(xué)習(xí)的乳腺癌MRI影像預(yù)處理

鄭俊浩

(東華大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院， 上海 201620)

0 引 言

作為嚴(yán)重危害女性健康的疾病之一，乳腺癌(Breast Cancer)死亡率在美國(guó)等發(fā)達(dá)國(guó)家的所有癌癥中占據(jù)著第二位，據(jù)不完全統(tǒng)計(jì)，每年都會(huì)新增至少一萬(wàn)病例數(shù)[1-2]。而在國(guó)內(nèi)，乳腺癌高發(fā)人群主要集中在45～55歲和70～74歲兩個(gè)年齡段，且病患的年齡逐漸走向年輕化。由此可見(jiàn)，中國(guó)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(diǎn)脫穎而出[3]，被廣泛應(yīng)用于臨床診斷中，輔助放射科醫(yī)生進(jìn)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(yàn)、患者身體輕微移動(dòng)等，在數(shù)字影像采集的過(guò)程中無(wú)法避免影像形變和噪聲的引入，因此，有必要對(duì)采集到的數(shù)字影像進(jìn)行相應(yīng)的預(yù)處理，獲取準(zhǔn)確的圖像信息，為后續(xù)的特征計(jì)算以及影像分析提供一定的保障。

1 乳腺M(fèi)RI影像配準(zhǔn)

1.1 影像配準(zhǔn)概述

影像配準(zhǔn)是將不同數(shù)據(jù)集轉(zhuǎn)換為一個(gè)坐標(biāo)系的過(guò)程，在多領(lǐng)域中取得廣泛應(yīng)用。數(shù)據(jù)可以是多張照片，來(lái)自不同傳感器的數(shù)據(jù)、時(shí)間、深度或觀點(diǎn)[4]。醫(yī)學(xué)影像的配準(zhǔn)為醫(yī)學(xué)影像數(shù)據(jù)后續(xù)的特征計(jì)算以及影像分析做好前期準(zhǔn)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(zhǔn)原理

假設(shè)有參考圖像IR及浮動(dòng)圖像IF，在某種相似性測(cè)度函數(shù)下，通過(guò)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(dá)到最大。那么，影像配準(zhǔn)、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(cè)度函數(shù)。

這里，研究給出了本文影像配準(zhǔn)方法的設(shè)計(jì)流程如圖1所示。

圖1 影像配準(zhǔn)流程圖

1.3 梯度下降算法

本文使用了梯度下降算法進(jìn)行乳腺M(fèi)RI影像配準(zhǔn)。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(wèn)題，也經(jīng)常應(yīng)用于無(wú)約束優(yōu)化問(wèn)題中。梯度下降法可以通過(guò)一步步迭代求解得到損失函數(shù)的最小值；相反地，通過(guò)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(gè)簡(jiǎn)單示例如圖2所示，以此來(lái)說(shuō)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M(fèi)RI影像增強(qiáng)

2.1 影像增強(qiáng)概述

醫(yī)學(xué)影像增強(qiáng)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(jué)效果，以便于輔助醫(yī)務(wù)工作者做出精確的診斷。影像增強(qiáng)主要根據(jù)待處理圖像的模糊程度或模糊位置，通過(guò)應(yīng)用多種處理技術(shù)，對(duì)整體圖像進(jìn)行修復(fù)并改善一些局部細(xì)節(jié)[6]，表現(xiàn)出較強(qiáng)的針對(duì)性。

2.2 樸素貝葉斯算法

本文使用了樸素貝葉斯算法進(jìn)行乳腺M(fèi)RI影像增強(qiáng)。樸素貝葉斯分類模型起源自古典數(shù)學(xué)，以概率和統(tǒng)計(jì)理論為基礎(chǔ)，應(yīng)用范圍比較廣，在很多場(chǎng)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(shè)前提：如果決策變量已知，那么條件屬性之間是相互獨(dú)立的[8]。樸素貝葉斯分類模型在分類條件獨(dú)立性假設(shè)成立的前提下具有簡(jiǎn)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(gè)屬性節(jié)點(diǎn)唯一的父節(jié)點(diǎn)，類變量C與各子節(jié)點(diǎn)之間是相互獨(dú)立的。

圖3 樸素貝葉斯星形結(jié)構(gòu)示意圖

3 實(shí)驗(yàn)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(guò)梯度下降算法配準(zhǔn)后的影像見(jiàn)圖5，經(jīng)過(guò)樸素貝葉斯算法增強(qiáng)后的影像則如圖6所示?？梢钥闯?，處理后的影像要更加清晰，因而獲得了較為滿意的實(shí)驗(yàn)結(jié)果。

圖4 原始影像

圖5 配準(zhǔn)影像

圖6 增強(qiáng)影像

4 結(jié)束語(yǔ)

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