论文部分内容阅读
子宫腺肌瘤是一种病发于子宫内的常见疾病,其病状与痛感严重困扰了当代女性的身心健康。而超声检查因其无损和价低等优势被作为临床妇科疾病诊断的主要影像学方法,经常用于子宫类疾病的初期筛查和术后诊疗中。伴随着深度学习领域的不断发展,与医学领域的交叉研究也在蓬勃发展,计算机辅助诊断系统也将逐步被广泛应用到临床医学领域。由于超声图像的自身噪声和伪影等缺点,严重限制了其在人工智能图像分割领域的发展。不同于体内浅表层疾病,腹腔内的超声肿瘤图像边界不清、干扰较大也给分割造成难度。为解决上述问题,同时减轻医师的工作负担,满足临床诊断快速高效的需求,本课题在子宫腺肌瘤超声图像分割方向进行尝试,填补深度学习在此领域应用的空白。使用来自北京市妇产医院的超声仪器采集的200多名子宫腺肌瘤患者的近1600张超声影像,对病灶影像进行标注和预处理,构建子宫腺肌瘤超声数据集。随后进行了以下研究:首先,针对传统图像分割方法的不足,本文分别设计两种不同的深度学习方法实现对子宫腺肌瘤的分割。使用Deeplab模型,通过空洞卷积算法和全连接CRF来优化病灶边缘细节信息,并对比两种语义分割网络得到最优的结果。使用Mask RCNN实例分割模型,通过ResNet结构来有效提取特征,结合RPN网络实现特征的有效利用并融合,并不断对网络训练进行优化,实现了对病灶区域的精细化分割,实验论证两种模型在医学图像分割方面的精准度与可行性。其次,基于上述的模型算法,基于PyQt框架的GUI界面设计搭建子宫腺肌瘤病灶分割系统,设计一个交互式、便捷的医学图像辅助分割系统界面,辅助医师快速分割病灶,为手术前后的效果评估提供数值依据。最后,本文提出将基于深度学习的子宫腺肌瘤超声图像分割算法引入HIFU消融技术的疗效评估中,因HIFU治疗后病灶区域并不会完全消失,需通过图像对其消融率进行计算。因此基于前文模型得到的测试集结果,根据临床诊断需求对其消融率进行跟踪计算,进而从临床应用角度验证了模型的实用性价值,做到深度学习与医学图像分割领域的交叉应用,证明了其广泛的应用前景。