论文部分内容阅读
核磁共振成像(Magnetic Resonance Imaging,MRI)等医学成像技术,为鼻咽癌肿瘤的分割、心肌的分割和分类提供了可供参考的解剖成像。在临床诊断过程中,医生通常需要手动标注鼻咽癌肿瘤或心肌的边界以辅助治疗。该过程单调乏味、耗时且容易出错。因此采用计算机自动分割算法来辅助医生精准定位鼻咽癌肿瘤和心肌区域成为一种必要需求。然而由于鼻咽癌区域和心肌区域较小,容易造成前景和背景类别极端不平衡问题。另外,每个病人癌症区域组织结构(如形状、大小等)存在较大差异,且MRI医学图像存在特殊性,使鼻咽癌肿瘤的自动分割任务存在较大的挑战性。此外,由于心肌区域的低对比度和在强度和形状上的较大变化,以及运动伪影和心脏动力学引起的合成心脏磁共振(Cardiac Magnetic Resonance,CMR)图像中的固有噪声会干扰心肌分析,心肌分割和分类也是一项具有挑战性的任务。因此基于深度学习的鼻咽癌与心脏MRI医学图像分类与分割技术有广泛的研究价值和应用前景。本文的研究内容是鼻咽癌与心脏MRI医学图像分类与分割,主要分为如下几个方面:(1)由于医学图像存在质量与标注差的问题,所以本文首先研究异常值检测算法,对医学图像进行预处理,筛选质量差和标注有问题的图像。本文提出了一种新的基于距离的异常检测方法,该方法依赖于数据结构来检测这些异常值。在所提出的方法中,通过构造全局二叉树并计算点的局部距离分数(Local Distance Scores,LDS)以评估观察值的异常程度。LDS越大,该点越可能是异常值。与传统的基于距离的方法不同,LDS算法具有良好的可扩展性,即使在高维数据中,也能保持良好的性能。最后,选择前p个排好序的点作为异常值,以减少额外的参数。LDS算法在七个UCI真实数据集和一个合成数据集上的进行了验证与评估,实验结果证明了LDS算法的有效性和稳定性。(2)针对三维鼻咽癌数据集较难分割的问题,本文提出了一个具有多尺度特征金字塔的三维卷积神经网络,该网络结构可学习到不同规模和形状的鼻咽癌特征。在该方法中,采用了不同膨胀率的空洞卷积,以适应网络中不同尺寸的图像。并使用了Jaccrad作为损失函数,以处理前景和背景类别不平衡问题。实验证明该方法可以防止在网络训练过程中大量负样本体素远离边界,从而使得分割算法能正确分割出鼻咽癌的位置。在实验中,对120个临床病人的3D MRI图像进行了训练与测试,计算出的平均Dice相似系数为0.7298。该结果表明,该方法超过其他四种主流网络结构的分割结果,且与医生经验水平相当。(3)针对二维心肌数据集较难分割与分类的问题,受相关任务之间共享表征的启发,本文提出了基于多任务学习的左心室心肌分割和分类联合框架,同时实现心肌区域的分割和心肌MRI图像的分类,即正常人心肌和病人心肌。在提出的方法中,首先建立一个有效的级联空洞卷积来融合具有各种感受野的特征。通过使用不同的膨胀率,可以获得关于心肌的多尺度特征和分层上下文信息,也可以同时提高心肌分割和分类的性能。在具有较低峰值信噪比的488张CMR T1-mapping图像上评估了提出的联合框架。在该数据集上,自动分割的Dice指标为0.8173,自动诊断的准确度为0.9734。这些结果表明本文提出的模型的分割结果优于其他方法。