论文部分内容阅读
膀胱癌是常见的男性泌尿系统恶性肿瘤之一,其发病率和致死率均位居前十。大部分膀胱癌都属于尿路上皮癌,根据肿瘤是否浸润到肌肉层,可分为非肌层浸润性和肌层浸润性膀胱肿瘤。在临床上,膀胱肿瘤是否浸润肌层是患者手术方式选择的重要依据。准确分割膀胱壁和肿瘤可定量计算肿瘤的浸润深度,评估肌层浸润性,辅助医生制定合适的手术方案。磁共振影像(Magnetic Resonance Imaging,MRI)对软组织分辨率高,能够提供膀胱及邻近组织的精细解剖信息,在预测膀胱癌浸润状态方面表现出巨大的潜能。然而,由于在膀胱影像中,膀胱壁和肿瘤占比小、膀胱外壁与周围软组织较难区分以及数据标注成本高等问题导致膀胱肿瘤的分割仍面临诸多挑战。随着人工智能领域的不断突破发展,由数据驱动的深度学习方法已成为计算机视觉技术的研究热点。深度学习致力于通过计算机跨越多个层次实现从低级任务到理解完整场景等高级任务,已被广泛应用于医学图像分析领域。因此,针对膀胱壁和肿瘤分割的一系列挑战,本文依托于数据驱动的不同深度学习方法,紧密结合膀胱壁和肿瘤的生长特点,构建了多种数据驱动解决方案。本研究的数据来源于空军军医大学附属唐都医院,包括52例膀胱癌患者的多张图像。本文的主要工作如下:(1)考虑到MRI影像中小占比的膀胱壁和肿瘤引起类别不平衡问题,易造成大占比的复杂背景干扰感兴趣区域的分割,本文提出以注意力U-Net为基础框架的Coarse to Fine分割模型。该模型采用先去除背景再分割膀胱壁和肿瘤的两阶段分割方法,主要包括:1)采用注意力U-Net网络抑制大占比的复杂背景的特征响应,从整个影像中分割得到膀胱壁和肿瘤的混合感兴趣区域,减小大占比的背景对类别不平衡的影响;2)基于分割获得的壁和肿瘤混合区域,在注意力U-Net网路中结合判别网络增加训练样本的多样性,使网络面对类别不平衡问题更加鲁棒,从而精确分割膀胱壁和肿瘤。在测试集中,基于Coarse to Fine的分割模型在膀胱壁和肿瘤5折交叉验证的平均DSC为0.77和0.80。该结果优于经典的语义分割模型,证明了Coarse to Fine模型在克服膀胱壁和肿瘤分割挑战之类别不平衡问题的可行性。(2)考虑到Coarse to Fine两阶段分割模型对第一步分割结果的高度依赖性,以及膀胱影像中膀胱壁和周围软组织之间的弱边界问题,本文提出了基于内容注意力和形状注意力模型同时分割膀胱壁和肿瘤。其中,内容注意力用于抑制大占比的复杂背景,形状注意力引导模型分割膀胱壁与周围软组织的弱边界。在此模型中,内容注意力模块采用了注意力U-Net网络,不仅避免了多阶段分割网络参数不易训练的问题,而且在大占比、分布复杂的背景图像中聚焦于重要的感兴趣区域,从而抑制与膀胱壁和肿瘤分割无关的区域。形状注意力模块通过引入闭合形状先验知识,解决弱边界导致的膀胱壁不连续问题。通过两个模块的结合,有望优化一个模型来同时解决类别不平衡和弱边界带来的膀胱壁和肿瘤分割挑战。同时,为了在端对端分割策略中更好地克服类别不平衡问题,在内容注意力和形状注意力网络的优化过程中还引入了戴斯相似性系数作为损失函数,降低了样本不平衡的影响。在测试集中,该模型在膀胱壁和肿瘤的5折交叉验证平均DSC分别为0.80和0.84。可视化结果和量化评价结果均证明了基于内容注意力和形状注意力模型的可行性。(3)考虑到有监督学习模型对有标注数据的依赖性,以及膀胱数据标注成本高问题,本文提出了基于自监督学习的分割方法,在有限标注数据的情况下实现膀胱壁和肿瘤的分割。不同于常规的有监督学习策略,自监督学习可借助于辅助任务从大规模的无标注数据中挖掘数据的规律及表征以构成网络训练的监督信息。并通过对监督信息的优化得到对任务决策更有利的数据监督信息,进而将前置任务对数据特征的表征能力用于下游膀胱分割任务。在前置任务中,本文以大量无标注的脑胶质瘤MRI为数据基础,采用基于对比范式学习的BYOL自监督模型学习数据的监督信息。在下游任务中,采用编码结构为残差网络的U-Net分割模型,并将辅助任务的模型参数作为下游任务的预训练模型参数。相比于有监督学习策略从零开始训练深度模型需要大量的有标注数据,自监督学习用少量标记数据即可实现下游膀胱壁和肿瘤的分割任务。在仅使用30%有标注膀胱数据构建模型时,自监督模型获得了比随机初始化更好的分割性能,两者的DSC差距为8%。并且随着标记数据的增多,其性能接近于全监督方法的性能,有利证明了基于自监督学习的膀胱壁和肿瘤分割模型的可行性。以上研究以膀胱壁和肿瘤自动分割挑战为出发点,采用由数据驱动的不同深度学习模型,利用大规模原始数据端对端地实现了膀胱壁和肿瘤的分割任务。本论文的研究成果不仅有效解决了膀胱分割难点,而且有望用于膀胱肿瘤浸润深度的计算和分期预测,辅助临床医生制定合理的治疗方案,具有良好的临床应用价值。