论文部分内容阅读
头颈部计算机断层(Computed Tomography,CT)图像危及器官(Organs at risk,OARs)准确分割对制定有效的鼻咽癌(Nasopharyngeal Carcinoma,NPC)放疗计划至关重要。卷积神经网络(Convolutional Neural Networks,CNN)的深度学习技术是通用有效的医学图像检测、分类和分割方法;这种方法源于最近ImageNet大规模视觉识别竞赛以及PASCALVOC检测与分割挑战赛的成功。虽然现有的深度学习方法在危及器官的分割上优于传统的依赖于手工特征的方法,传统的深度学习分割模型在同时分割多个危及器官时容易受背景区域包含的复杂多变的灰度信息混淆和容易受到不同器官之间形状差异的影响,导致错误地判断目标危及器官;并且大尺寸危及器官的分割准确率要远优于小尺寸危及器官的准确率。基于不同患者头颈CT图像中的同一个危及器官总体形态相似,在图像中位置相对稳定的特点以及深度学习医学图像检测和分割的学习和理解,本文提出先定位再分割的思想,致力于能同时且准确地定位和分割同一张CT图像中的所有危及器官。本论文主要包括以下两个工作:(1)基于目标区域的鼻咽癌危及器官分割。我们把鼻咽癌CT图像多危及器官同时分割问题分解成危及器官定位问题和危及器官目标区域分割问题。危及器官定位问题中,我们用检测网络预测CT整图中所有危及器官的位置并且预测危及器官属于哪一类。危及器官目标区域分割问题中,我们把从检测网络得到的危及器官区域图像块作为分割网络的输入,通过迭代的深度特征学习,得到危及器官区域块的分割结果。在这种方法中,分割的重点在于危及器官区域图像块,从而减少了背景灰度和不同器官之间形状差异对分割结果的影响,提高了多危及器官同时分割的准确率。本实验数据包含了 185个CT平扫图像,结果表明先定位再分割的方法能实现准确的多危及器官同时分割。本实验同时分割了 18个鼻咽癌OARs,平均Dice系数为 0.861±0.07。(2)基于ROI细粒度表示的CNN多视图空间聚合框架的鼻咽癌危及器官定位与分割。在上一项工作中,我们把鼻咽癌CT图像多危及器官同时分割问题分解成危及器官定位问题和危及器官区域分割问题,并且在两个2D-CNN中分别实现定位和分割;并且发现不同的危及器官尺寸变化较大,算法在大尺寸危及器官上取得较好的分割精度,而对于小尺寸的危及器官分割精度仍然需要提升。本文提出一个多视图空间聚合的框架,将横断位、矢状位和冠状位三个不同视图的分割概率图进行空间聚合,从而充分利用CT数据的3D图像信息。在此框架中,我们将多任务学习引入到定位与分割模型中实现了端到端的器官定位与分割,并且提出了基于ROI细粒度特征表示模块,增强了不同尺寸危及器官的特性,提高了多危及器官同时分割的准确性。此外,我们利用自动上下文模型对所提框架进行了升级,以迭代地提高二维切片间以及平面内像素之间的一致性。在两个测试集数据上的实验结果表明,我们所提方法在分割精度和鲁棒性方面均优于现有的分割算法。