论文部分内容阅读
随着医学影像技术的发展,医生在诊断多种疾病时需要精确、快速地提取出医学影像中的感兴趣区域（Regions of Interest,ROI）,并通过其形状、纹理和体积等特征的变化进行辅助诊断。对于ROI的提取,专业医生进行手工分割能够确保得到准确的结果,但是这种方法既费时又费力,并且重复性差。为满足实际需求,研究人员开始探索自动分割方法,如基于特征工程和基于图谱的分割方法,并取得了一定的成果。近年来,随着深度学习技术的发展,基于深度学习的自动分割技术成为了医学影像分割的研究热点。本文以海马分割和腿长测量为例,研究了基于深度学习的医学图像分割算法及应用,具体工作如下:1.整合海马灰质的级联深度学习框架改善海马分割。基于海马体在阿尔茨海默症（Alzheimer disease,AD）,精神分裂症等多种神经性精神疾病中的重要意义,本文开发了一种整合海马灰质（Hippocampal gray matter,HGM）概率图的鲁棒性的级联深度学习框架来改善海马分割。具体来说,该方法级联了两个相同的卷积神经网络（Convolutional neural networks,CNN）,其中每个CNN都是通过将注意力块、残差块和Drop Block整合到典型的编码器-解码器架构中来设计的。这两个CNN通过跳跃连接将编码器中每个尺度生成的特征图在通道维度拼接。这种级联深度学习框架的设计是为了方便地将HGM概率图与第一个CNN生成的特征图融合。本研究在公开的具有手工海马标签的ADNI-Har P数据集中进行了实验,该数据集包含135个T1加权磁共振图像扫描。实验结果表明,在大多数的评估指标中,本文所提出模型的分割性能优于7种基于多图谱的海马分割方法和6种基于深度学习的分割方法。其中左右海马体的平均Dice值＞0.89,比其他方法提高了1%左右。此外,本文还使用3D-UNet、Atten-UNet、Hippo Deep、Quick Net、Deep Harp和Trans BTS模型代替所提出的CNN进行实验,验证了集成HGM概率图的级联深度学习框架在改进海马分割中的稳定性、方便性和泛化性。2.基于级联LLDNet和综合评估的婴幼儿至青春期腿骨分割及腿长差异自动测量。人的双腿长度差异（Leg length discrepancy,LLD）是一种骨科问题,特别是,LLD大于5mm可能会增加患髋关节和膝关节疾病的风险。因此,准确可靠的LLD测量对于制定适当的治疗方案至关重要。深度学习已被建议用于自动测量X光片上的LLD,然而,这些研究仅针对学龄前儿童,队列规模相对较小,无法适用于儿童整个生长发育阶段和各种状况,导致无法满足临床需求。本文的目的是开发一个统一的解决方案,使用深度学习对一个大而全面的影像学数据集进行LLD的自动测量和综合评估,该数据集涵盖从婴儿到青少年的所有阶段,并具有广泛的诊断范围。本研究首先通过设计级联LLDNet分割双侧股骨和胫骨,然后进行最大连通分量分析后处理。之后定位解剖标志并计算距离得到腿长。最后采用配对Wilcoxon符号秩检验进行统计学比较并计算LLD大于5mm的灵敏度和特异性。基于972名儿童的实验结果表明,级联LLDNet在分割相似性（Dice＞0.97,Jaccard＞0.95,Precisiosn＞0.97,Recall＞0.97）和稳定性（MD＜0.23,HD＜2.5,HD95＜1.2,ASSD＜0.25,RMSD＜0.55）方面具有良好的性能,并且在LLD计算中,放射学报告和自动测量之间得到高Pearson相关系数（0.94）和高一致性相关系数（0.94）。此外,实验结果也表明在计算机辅助儿科X光片LLD测量中,对其相似度、稳定性、一致性进行综合评估是必不可少的。