论文部分内容阅读
人工智能技术和传统医疗行业结合形成的智能医疗领域已逐渐成熟,但是如何在该领域中得到高精度、高稳定性的模型以及如何让更多的医学研究者更便携地使用人工智能技术进行基础研究依然是亟待解决的问题。本文针对以上问题开发了智能医学影像研究平台 RIAS(Radiomics Intelligent Analysis Software),对构成RIAS的影像组学算法、深度学习分类和分割网络算法的理论部分进行讨论。本文重点对影像组学的图像预处理、感兴趣区间的勾画方式、特征提取、特征工程、特征可视化、模型建立及评价等方面进行了讨论。图像预处理中提出了图像重采样的两种方式,对图像特征的构成进行分析,通过分别对降维算法原理的阐述总结出特征工程的一般规律,以及探讨了借最优搜索算法获取模型最优参数的过程。除了影像特征外,还对其他特征如临床信息等实现特征多融合进行了分析。在深度学习中重点讨论了卷积神经网络的发展史,对图像分类网络、图像分割网络的构造进行分析,并讨论了网络的共通点和优缺点。最后,从理论层面对卷积神经网络如何有效地在医学图像中运用进行了阐述,从网络原理、网络应用等方面重点分析。接着以结直肠癌肝转移、肝脏分割的实际研究课题为例分别讨论了影像组学、迁移学习分类网络以及深度学习分割网络在RIAS中的应用。影像组学部分按照图像预处理、特征提取、特征工程和模型评价的流程进行研究,最终通过引入多特征融合算法以及对比多个模型结果得到了高效能的逻辑回归模型。该模型在测试集中的ROC(Receiver Operating Characteristic)曲线下面积为0.899,灵敏度为0.78,特异度为0.91,阳性预测值为0.88,阴性预测值为0.83。使用RIAS的迁移学习分类网络时,通过应用图像ROI的自动定位裁剪技术、图像增广手段、图像小波变换等方式,对不同训练轮次、不同裁剪图像大小等变量的研究后,最终得到在测试集图像中分类准确度为0.75的模型。最后使用RIAS的深度学习分割网络对肝脏进行分割,通过训练和测试最终得到分割精度为0.95的模型。同时本文进一步讨论了 RIAS平台在算法、工程等方面的优势和不足,介绍了平台软件线上和线下的开发版本、可视化一键操作、模块化程序编写、模块化模型调用和利用docker封装云端环境等技术应用。通过介绍RIAS平台在机器学习、深度学习领域中封装的优化算法以及应用的实际研究案例可以发现,RIAS平台通过可视化操作界面能使研究者便捷地处理数据、图像,方便地训练、调用优质模型。