论文部分内容阅读
深度学习是近几年新兴很快的一个领域。从本质上来说,深度学习是一个满足于各类特定需求的机器学习算法,对比在它之前的相关技术,其在语言和图像处理等方面所达到的效果要远远优于前者。在随着数据处理能力强大的高性能计算机芯片的不断更新,其在图像处理等计算机视觉任务中更是飞速发展,并且越来越多、越来越广泛的应用于医学影像处理领域。帮助了医生对各类疾病的诊断更快,更准。随着社会发展人们的压力越来越大,各种污染源也与日增多,男性不孕不育症状愈发严重。在临床实践中,精液分析是诊断男性不育并确定最佳治疗方法的必要手段。精子的浓度,运动性,活力和DNA片段化程度是传统精子图分析的重要指标。此外,精液样本潜在生育力的另一个重要指标是精子细胞的形状。故而精子形态分析在临床中诊断男性不孕不育症中是一个重要的步骤,而精子头部形状是精子形态分析中的一个重要参考尺度。因此,准确高效地分割出人类精子头部对精准而客观地分析精子形态至关重要,对男性不育的诊断并确定疗法是极其重要的一步。然而,前人的大量工作表明,精子头部的检测与分割是一项具有多方面挑战的任务。在七十到九十年代之间,致力于精子形态分析的研究人员均是采用人工的方法对精子形态进行处理。对精子的视觉评估通常也是手动进行的,它极大程度取决于专业医师的判断。因此,这些传统的方法有一系列的缺陷,诸如耗时、不准确、主观、不可重复和难以教授等。目前几乎所有的计算机辅助精子分析都是采用不同的染色程序对精子进行染色,而这导致我们只能处理死精子而不是活体精子,因此在临床实时性应用前景方面存在严重不足。鉴于深度学习在医疗影像处理方向的高效发展和巨大优势,我们将深度卷积神经网络应用于人类精子头部的分割。论文主要工作归纳如下:1.对深度学习来说,最重要的莫过于数据,数据的数量和质量对于提升算法的性能更是至关重要。在实际临床应用中,收集各类医疗影像数据并不是一件简单的事情。虽然大量的数据可以被收集到,但并不是原始的数据就可以用于模型的训练和学习,因为这些数据必须经过相关专业人士的识别标记后才能用于深度网络的学习。正是由于这些原因,精子细胞形态分析方面正如其他医学影像研究方面一样,缺乏公开可用的数据集是最大的困难之一。因此,我们首先进行精子细胞图像的采集,建立了一个新的可用于深度学习算法中分割人类精子头部的无染色数据集。我们的数据集包含了1207张来自20多位男性不育症患者的精子细胞图像。2.由于传统方法和全卷积网络在分割方面的诸多缺陷,我们在基于U型编码-解码网络结构的基础上提出了一个高效的全自动分割人类精子头部的深度学习算法。我们针对传统U型对称网络的一些不足之处进行改进,在它的编码和解码路径中融合进了堆叠残差网络模块,利用我们设计的残差混合扩张卷积模块来连接左右的编码和解码路径,并沿用原始网络中的长跳过层,最终构成了我们的残差混合扩张卷积编解码分割模型。我们利用本文提出来的数据集来训练所提出的网络,并用于分割精子头部。最后的实验结果表明我们的方法在人类精子头部分割效果上要优于原始的U型编解码分割网络,且在精子形态学分析临床应用前景上明显优于传统方法。3.鉴于对称的编解码分割网络在图像分割过程中无法进一步地充分利用图像的语义信息,并且在现有的医疗影像的分割模型的分割结果中均或多或少的存在局部不一致和语义不一致的问题。因此,我们针对这些问题,在能充分提取丰富的语义信息的双路径分割网络的基础上加入了对抗学习网络,提出了我们的基于双判别器对抗学习的双路径分割模型,以生成对抗式的方式来进行精子头部的分割;我们还在前列腺MR数据集中对我们的模型的鲁棒性进行了验证。两个数据上的最终结果证明我们的网络有着优异的精子头部分割性能和良好的鲁棒性。