乳腺超声图像肿瘤分割与分类研究的任务书.docx

乳腺超声图像肿瘤分割与分类研究的任务书
一、任务背景
乳腺癌是女性常见的恶性肿瘤之一，特别是在发达国家。根据世界卫生组织（WHO）的数据，乳腺癌是全球妇女最常见的恶性肿瘤，其发病率和死亡率逐年增加。因此，对乳腺癌的早期检测和诊断变得越来越重要。通过乳腺超声对乳腺肿瘤进行分割和分类可以提高乳腺癌的早期检测率和诊断准确率。因此，乳腺超声图像肿瘤分割与分类研究具有重要的意义和价值。
二、任务描述
本研究旨在通过深度学习算法对乳腺超声图像肿瘤进行分割和分类。分别实现以下两个子任务：
1.乳腺超声图像肿瘤分割子任务
通过深度学习算法实现乳腺超声图像中肿瘤和正常组织的分割。考虑到乳腺肿瘤的大小和形态多样性，需要使用一种灵活的方式通过识别肿瘤边界来进行分割。因此，在该子任务中需要实现一种高鲁棒性的算法，能够对不同形状和大小的乳腺肿瘤进行准确的分割。
2.乳腺超声图像肿瘤分类子任务
通过深度学习算法实现乳腺超声图像中肿瘤的分类（良性或恶性）。在该子任务中，需要考虑到黏液性癌、浸润性导管癌、乳腺纤维腺瘤等乳腺肿瘤分类的复杂性，通过图像特征提取和分类模型训练，实现高精度和高准确率的肿瘤分类。
三、技术路线
1.乳腺超声图像肿瘤分割子任务
（1）数据采集和预处理
从公开的乳腺超声图像数据库（如INbreast）中获取肿瘤超声图像。首先，对图像进行预处理，包括缩放、旋转、噪声去除和对比度增强等预处理步骤。然后，将处理后的图像用于模型训练。
（2）神经网络架构设计
针对本子任务，提出一种适用于乳腺超声图像肿瘤分割的基于深度学习的算法。该算法使用U-Net神经网络架构，可以准确地分割乳腺超声图像中的肿瘤和正常组织。
（3）模型训练和测试
将处理后的图像和相应的标签用于模型训练。使用交叉熵损失函数和Adam优化器训练U-Net模型。最后，使用测试数据集评估模型性能。
2.乳腺超声图像肿瘤分类子任务
（1）数据采集和预处理
仍然从公开的乳腺超声图像数据库中获取预处理数据。对图像进行预处理，使其适合用于深度学习算法训练。同时，将图片信息和标签进行处理和清洗，得到规范化的数据集。
（2）神经网络架构设计
基于图像特征提取和深度学习方法，提出一种乳腺肿瘤分类算法。我们使用卷积神经网络（CNN）进行特征提取，然后将提取的特征输入到分类模型中，最后可以实现对乳腺肿瘤分类。在分类模型中使用多特征融合方案后，采用支持向量机（SVM）分类模型。
（3）模型训练和测试
将处理后的图像和标签进行模型训练。使用交叉熵损失函数和Adam优化器训练特征提取网络和分类模型。最后，使用测试数据集评估模型性能。
四、成果要求
最终寻求完成以下工作：
1.设计出优秀的乳腺超声图像肿瘤分类算法和肿瘤分割算法。
2.构建出一个能够提供实时性的乳腺超声肿瘤分割和分类系统。
3.通过在INbreast数据集上的实验和测试，验证所设计的算法的实现效果和性能。
四、技术输出
完整的乳腺超声图像肿瘤分割和分类算法。
乳腺超声肿瘤分割和分类系统的实现。
论文或技术报告，包含所提算法细节、实验结果和性能评估。
五、参考文献
1.Gao,Y.,Xie,X.,Zhang,L.,etal.(2019).Anewmethodforbreastcancerdiagnosisbasedonultrasoundimages.AppliedSciences,9(22),4858.
2.Sun,J.andDeng,F.(2019).Adeeplearningmethodforbreastcancerdiagnosisbasedonultrasoundimaging.NeuralComputingandApplications,32(21),16067-16079.
3.Zhu,T.andTao,D.(2017).Artificialintelligencealgorithmsforbreastcancerdiagnosisbasedonultrasoundimaging:Asurvey.Ultrasonography,36(4),300-308.