双侧多视角X线图像协同关联的早期乳腺癌风险预估

Breast cancer occupies the highest incidence among female cancers. Early diagnosis and treatment is the most effective life-saving means. Mammography is still the most preferred noninvasive cardiac detection method which is also the simplest and reliable. It is further the only way to detect the occult breast cancer and early carcinoma in situ. However, it is difficult to find early occult breast cancer from Imageology because early occult breast cancer is similar with normal tissues. Thus missed diagnosis and misdiagnosis happen easily and this would bring hidden danger to the patient. Considering this fact, this project will be guided by the way of a doctor reading an image, and founded on tensor analysis and machine learning. Contents of this project are as follows: 1) constructing the collaborative correlation model of bilateral multiview mammography for early risk estimation of breast cancer; 2) designing strategies of correlation propagation and deep analysis network for single and multiple views; 3) studying an efficient tensor based hash retrieval method and providing doctors with Bayesian inference based risk prediction to early breast cancer. The research results of this project would exploit new art for high sensitivity detection analysis and identification of nature of early breast cancer. It also provides a solid theory foundation and technical support for doctors improving the accuracy of clinical diagnosis.

乳腺癌是全球女性发病率最高的癌症，早期诊断和治疗是挽救患者生命的最有效手段。乳腺X线摄影检查仍是目前首选的、最简便可靠的无创性检测手段，也是目前唯一能够查出“隐匿性”乳癌和早期原位癌的检查方法。但早期隐匿性乳腺癌通常影像学表现微弱，且与正常组织相似，极易引起漏诊和误诊，给患者造成了极大隐患。为此，本课题拟以医生阅片方式为指导，以张量分析、机器学习等领域的研究前沿为基础，1）构建双侧多视角乳腺图像的协同关联统一表示模型；2) 设计单、多视图的关联传播学习及深层分析网络策略；3) 研究高效的张量哈希检索识别方法，并为医生提供基于贝叶斯理论的早期乳腺癌风险预估分析。该项目研究成果将为早期乳腺癌的高灵敏度检测分析和性质理解辨识开拓新的研究思路，同时也为辅助医生有效提高临床诊断准确性提供了坚实的理论基础和技术保障。

双侧多视角的乳腺X线图像，能够提供更符合医生视觉感知的空间结构关联特性，从而有效提高早期隐匿性病症的检出率。本课题旨在研究多视角关联空间中图像异常区域的内容认知和理解，提供更为科学、符合医生诊断认知过程的影像解译依据。在国家自然科学基金项目(No. 61571343)的资助下，课题组研究了双侧多视角图像的空间结构关联，设计了异常结构的特征表示及检测分析方法，构建了大尺度快速检索识别模型。取得的主要研究成果有：.1. 双侧多视角乳腺X线图像的空间关联耦合建模：研究了空间结构的细节增强方法，提出了渐进式子带残差网络的质量提升方法。研究了深层显著性特征，设计了多视角图像中子区域的关联分析方法。研究了双侧多视角图像空间结构关联模式，构建了稀疏关联耦合编码模型，得到了更具空间结构表征性和辨识度的特征。.2. 单、多视角的异常结构组织检测与分析：研究了具有关联学习能力的度量网络，提出了基于寄生度量网络的异常区域分类检测方法。设计了基于空间关联映射表示的同异质区域关联性质分析方法。通过设计自适应加权多核学习方法，提出了多视角多特征学习的异常区域检测方法，有效提升了早期病症的检测精度。.3. 病变区域的大尺度检索和风险预估：提出了多视角特征融合核哈希编码的识别检索方法，能够快速有效地定位和辨识异常区域。研究了具有空间上下文关联的马尔可夫随机域，设计了贝叶斯关联图像风险分类识别模型来进行异常区域的风险预估。研究并分析了多尺度时空关联网络的双侧多视角异常组织演化，确保识别和评估的结果更符合医生的诊断认知。.在理论创新方面，提出了一系列新方法，在国内外主流学术期刊和会议上发表学术论文24篇，其中SCI检索16篇，EI检索8篇。在关键技术方面，授权国家发明专利9项，受理4项。在国内外交流方面，参加多个国内外知名会议，引起了广泛关注。本项目所取得的研究成果为早期乳腺病症的风险预估和准确诊断提供了坚实的理论基础和技术保障，对人类健康具有重要意义。