王 彤，何 萍，苏 畅，崔立刚，林伟军*，王心怡

(1.中国科学院声学研究所超声技术中心，北京 100190；2.中国科学院大学，北京 100049；3.北京大学第三医院超声诊断科，北京 100191；4.北京大学肿瘤医院暨北京市肿瘤防治研究所乳腺中心恶性肿瘤发病机制及转化研究教育部重点实验室，北京 100142)

乳腺癌是女性发病率较高的恶性疾病[1]，早期诊断与治疗对于提高生存率具有重要意义。传统乳腺超声安全性及实效性均较高，已广泛用于临床，但操作者依赖性亦较高。乳腺癌等病灶的弹性信息与其生理信息及病理改变密切相关[2]。近年超声弹性成像技术不断发展[3]，通过获取组织弹性信息进行成像，对比度较高，可为早期诊断乳腺肿瘤提供较为准确的依据[4]。另一方面，深度学习(deep learning，DL)在图像领域中迅速发展[5]，其中卷积神经网络(convolutional neural network，CNN)可直接学习输入图像数据，提取输入样本的高层次特征结构，获得更能代表图像属性的相关特征[6]。HAN等[7]通过GoogLeNet卷积神经网络识别7 408幅超声乳腺图像，准确率可达90%。超声灰阶声像图所示病灶形态、方位及边缘等对鉴别诊断乳腺良、恶性肿瘤有一定帮助，而超声弹性成像提供的肿瘤组织弹性信息可从一定程度上反映组织病变情况。本研究以CNN提取常规超声与超声弹性图像特征，并行多模态融合，评价其诊断乳腺良、恶性肿瘤的性能。

1 设计与方法

1.1 数据 图像来源于2011年10月—2012年4月309例于北京大学第三医院经病理证实的女性乳腺肿瘤患者，年龄11～85岁，平均(40.0±19.0)岁；采用Hitachi Vision Preirus/Samsung RS80A超声诊断仪，线阵探头，频率5.0～13.0 MHz，应用应变弹性成像机制，共采集404幅图像，其中良性肿瘤224幅，恶性肿瘤180幅。……