一、选题背景和意义：
1.1选题背景
近年来,我国癌症发病率逐年上升,其中乳腺癌在女性癌症发病率中的占比不断提高。最新的研究成果表明,乳腺癌已经取代子宫癌在女性癌症发病率上排名第一,成为威胁女性生命安全的主要疾病。统计数据显示我国乳腺癌发病率的增速是世界平均水平的两倍,乳腺癌患者的增长在一线城市尤其明显。多项研究表明，大规模防癌筛查可发现更多的早期病例，在患病率不断上升的背景下可使死亡率逐渐下降。超声成像具有实时、低成本、无辐射等优点，并可多切面、动态观察及测量肿块血流等，目前超声成像已在乳腺癌临床诊断与治疗决策上发挥着重要作用。
在乳腺癌是否转移的临床检测中，乳腺癌前哨淋巴结是重要的判断标准。前哨淋巴结是原发肿瘤引流区域淋巴结中的特殊淋巴结，是原发肿瘤发生淋巴结转移所必经的第一批淋巴结。具体到乳腺癌，即为乳腺癌细胞转移的第一站淋巴结。前哨淋巴结作为阻止肿瘤细胞从淋巴道扩散的屏障，其临床意义已受到人们的重视。术前明确诊断淋巴结转移可辅助临床医师决定手术方式，因此早期检查和诊断淋巴结是否转移对于乳腺癌相关的检测与治疗至关重要。
随着医学成像技术和计算机技术的不断发展和进步，医学图像分析已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段。近几年来，机器学习已经迅速发展成为医学图像分析的研究热点，它能够从医学图像大数据中自动获取隐含的疾病诊断特征，取得了一定成果并显示出巨大的潜力，对开展乳腺癌检测的相关研究具有重要的理论与现实意义。
1.2意义
核磁共振成像、正电子发射断层扫描、计算机断层扫描、超声成像等医学影像技术目前已广泛应用于临床检查、诊断、治疗与决策。如何充分利用人工智能深度学习方法分析处理这些大规模的医学图像大数据，为临床医学中各种重大疾病的筛查、诊断、疗效评估提供科学方法，是当前医学图像分析领域急需解决的重大科学问题和前沿医学影像关键技术。
深度学习是以数据驱动方式分析任务，能自动地从特定问题的大规模数据集中学习相关模型特征和数据特性。与针对特定问题而显式地手工设计模型不同，深度学习方法可直接从数据样本中隐式地自动学习医学图像特征，其学习过程本质上是一个优化问题的求解过程。通过学习，模型从训练数据中选择正确的特征，使其在测试新数据时做出正确决策。因此，深度学习在医学图像分析中起着至关重要的作用。
目前判断乳腺癌前哨淋巴结转移的金标准是前哨淋巴结活检，用探针刺入淋巴结，取出一部分淋巴结组织，然后做成切片，在显微镜下判定淋巴结内是否有转移的癌细胞。除此以外，判定乳腺癌是否发生前哨淋巴结转移的方法是基于淋巴结的一些症状进行判定的。比如同侧腋下的前哨淋巴结出现发炎、肿大、疼痛，甚至溃烂，可以判定为前哨淋巴结发生转移。或者是医学影像上观测到淋巴结在大小、形态等方面也有着明显的异常。目前，还没有一种成熟的方法在无创条件下对前哨淋巴结转移进行判断。如果能够通过机器学习的方法对乳腺肿瘤超声图像进行预测，将对临床前哨淋巴结转移诊断以及乳腺癌的治疗有极大的支持作用。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
