论文部分内容阅读
深度学习和卷积神经网络的出现,让近些年的人工智能科技有了质的飞跃。其中,图像处理领域进步显著,卷积神经网络已经广泛用于目标检测、图像语义分割和图像修复等任务。本文主要研究深度学习和卷积神经网络用于人体颈部棕色脂肪组织(Brown Adipose Tissue,BAT)的分割。使用数据为双模态医学影像,分别是计算机辅助断层影像(Computer Tomography,CT)影像和正电子发射断层摄影术(Positron Emission Tomography,PET)影像。BAT的分割目前主要以手动分割和阈值聚类分割为主,缺少高精度的自动化分割方法。而且,BAT在PET图像中呈现为高亮区域,这会影响医生对其他组织的观察和判断,比如肿瘤和淋巴结。对此,本文开展了两个研究工作,具体内容如下:(1)针对BAT缺少高精度自动化分割方法的问题和双模态数据的特点,提出一种基于U-Net的改进网络用于BAT的分割。具体方法是在U-Net的基础上增加了三个模块。首先在U-Net的跳跃链接中加入了图像信息熵模块,可以更好的保留图像的纹理和强化物体边缘信息。其次在下采样过程中结合了通道注意力机制,使得网络更有效利用双模态信息。最后使用深度超参数化卷积(Depthwise Overparameterized Convolutional,Do-conv)替代传统卷积,以取得更好的卷积效果并加快网络收敛速度。在BAT分割测试集中,与传统的阈值分割、U-Net、U-Net++和Seg Net进行对比。实验结果表明,改进的U-Net网络平均交并比(Mean Intersection Over Union,m Io U)为0.8292,平均豪斯多夫距离(Hausdorff Distance,HD)为7.3174。本文提出的改进U-Net模型相比其他对比方法有较高的准确性,且避免了静态阈值分割面临的欠分割、不连续、阈值差异性等问题,实现了自动化的BAT分割。(2)针对PET图像中BAT区域影响其他组织观察的问题,提出一种基于Cycle GAN的白色脂肪组织(White Adipose Tissue,WAT)合成框架。利用一些颈部含有WAT的CT图像和PET图像来训练Cycle GAN,最终使得训练后的Cycle GAN模型可以通过CT影像生成有WAT的伪PET图像。然后将颈部含有BAT的CT图像输入到训练好的模型中生成相应的伪PET图像。通过(1)中的改进U-Net确定真PET图像中要分割的BAT区域。最后,将伪PET图像的相应区域替换到真PET图像相应区域中,从而合成新PET图像。本文提出的框架可以用WAT替换BAT,减少了BAT区域对PET图像的影响。