论文部分内容阅读
神经外科显微手术中的微血管减压术因为手术创伤小、并发症少、安全性高和临床效果好的特点,成为治疗三叉神经痛和面肌痉挛的首选方法。在三叉神经痛、面肌痉挛和颅内肿瘤治疗期间,通常依赖于CTA、DSA、MRA等方式获取脑血管图像,这些图像普遍存在小血管成像不清晰、缺失边缘信息等局限性问题,而由内窥镜获取真彩色微血管减压手术图像更简单、更方便,并在临床辅助治疗中具有更重要的应用前景。目前,深度学习在医疗领域得到了广泛的应用,辅助医生完成手术规划和临床诊断。针对微血管减压手术图像,脑血管类内过于相似、脑血管与脑组织对比度低、脑神经间缠绕等问题导致脑血管分割困难,同样地,脑神经的分割也是面临这样的问题。为应对以上挑战,本文以深度学习的方法为核心,以解决脑血管和脑神经分割难点为导向,以设计全自动分割算法为目标,深入开展了关于神微血管减压手术图像的分割研究,主要研究内容和创新点如下:（1）针对更好地融合多尺度特征,充分地利用全局与局部信息,提出了一种基于特征蒸馏的微血管减压图像语义分割模型。该模型在编码器结构中引入了特征蒸馏模块（Feature Distillation Block,FDB）,在解码器结构中添加空洞空间金字塔池化（Atrous Spatial Pyramid Pooling,ASPP）模块,以提高微血管减压的语义分割性能。FDB添加到主干网络中,以进一步细化提取的特征。同时,浅层残差模块（Shallow Residual Block,SRB）是FDB的主要组成部分,在保证轻量化的前提下,使网络能够最大限度地利用残差学习的优势。ASPP模块引入到解码器结构中,并将获取的多尺度特征相融合,以增强特征和边界信息的保留,使得目标的边界信息更加完整。结果表明,该模型可以获得更多的特征信息和更清晰的目标边界,提高了微血管减压图像的语义分割精度,为未来的智能医疗提供帮助。（2）针对真彩色微血管减压图像实时语义分割网络参数量大、语义分割精度低的问题。提出了一种适用于微血管减压场景的轻量级快速语义分割网络UMVDNet（U-Shaped Microvascular Decompression Network）,该网络由编码解码结构构成。在编码器中设计了轻型非对称瓶颈模块（Light Asymmetric Bottleneck Module,LABM）对上下文特征进行编码,解码器中引入了特征融合模块（Feature Fusion Module,FFM）,有效的组合高级语义特征和低级空间细节。实验结果表明,对于微血管减压图像的测试集,U-MVDNet在单NVIDIA GTX 2080Ti上的参数量只有0.66M,平均交并比（m Io U）达到了76.29%,速度达到140FPS。并且当输入图像大小为640?480时,U-MVDNet在嵌入式平台NVIDIA Jetson AGX Xavier上实现了实时（24FPS）语义分割。该模型未使用任何的预训练模型,参数量少且推理速度快,语义分割性能优于其他对比方法,在分割精度和速度上做到了良好的权衡。同时,还可以方便地在嵌入式平台上开发和应用,性能优越,易于部署。（3）针对当前多类分割中部分脑神经和脑血管分割精确度低的问题,提出一种基于级联融合的微血管减压图像分割网络--MCFNet。模型采用了Mobile Net作为主干网络,它具有高效的推理速度和高精度的分割性能。同时,引入了三个模块,分别为:级联融合模块（Cascade Fusion Module,CFM）、空间通道注意力模块（Spatial Channel Attention Module,SCAM）和特征聚合模块（Feature Aggregation Module,FAM）。其中,核心模块CFM通过特征金字塔模块和特征级联的方法融合了不同级别的特征,有效的聚合了脑神经或脑血管的语义和位置信息。SCAM实现了对关键空间信息的捕捉。通过FAM有效地融合了跨级别特征,并将得到的高级语义位置信息特征与来自CFM的特征再融合,提高模型的分割性能。使用微血管图像数据集、ISIC-2016＆PH2和ISIC-2018挑战数据集,对先进的分割方法进行了广泛的评估和比较。实验表明,MCFNet表现始终优于先进的方法,实现了优异的分割性能。