检索历史 清除

摘要光学相干断层扫描（Optical Coherence Tomography,OCT）成像技术广泛应用于视网膜临床检查，它可以获得高分辨率的视网膜截面扫描图像。视网膜和脉络膜层厚度作为研究眼科疾病和其他系统疾病的关键指标，它们的准确测量对于疾病的临床分析和早期诊断至关重要。目前有大量的有监督深度学习算法被提出用于OCT图像的层分割任务，但这些方法大都忽略了特征间的关联性，缺乏对全局上下文语义信息的利用，并局限于用全卷积处理，无法对图像各个尺度特征之间进行长程建模，分割能力有限，因此需要一种精度更高的算法对OCT图像进行层分割。<br>　　此外，不同设备拍摄出的OCT图像有显著的质量差异，它们的图像领域往往不同。<br>　　所以当使用在源域OCT图像上训练好的监督学习分割模型，对目标域OCT图像分割时，算法的分割泛化能力会大幅降低。由于监督学习方法训练仅适用于标注图像，而标注OCT图像需要耗费大量的人工和时间成本，因此在一种高精度分割算法的基础上，还需要设计一种领域自适应方法，用有标注的源域图像对无标注的目标域图像实现跨域的准确分割，扩大分割算法的适用范围。这能够有效减轻医生的工作量并为医生提供临床参考，具有重要的实际意义。<br>　　本文针对OCT图像的精准层分割问题，设计提出了一种基于自注意力机制的多尺度特征融合层分割网络（Multi-scale feature Fusion Network based on Transformers,MFTrans-Net），来对OCT图像进行有监督分割。结合深度残差网络提出了一个多尺度特征融合模块，将不同尺度和等级的编码特征图进行加权融合，其融合特征不仅包含了低层特征的更多位置和细节信息，同时还拥有高层特征更强的语义信息。随后使用自注意力机制对融合特征建立长程依赖，捕捉不同尺度特征间的内部关系。在解码阶段对编码后的融合特征进行位置还原和知识注入，充分考虑图像的全局上下文信息和不同尺度特征语义之间的关联性。分割实验结果表明，MFTrans-Net的性能优于其他对比方法，能够对OCT图像进行更加准确的层分割。<br>　　本文针对OCT图像层分割的领域自适应问题，设计提出了一种基于参数选择性引导的无监督对抗自适应框架（Selective-GuidedAdversarialAdaptation,SGAA），来对无标签的目标域OCT图像进行分割。该算法构建了一个双编码器结构，旨在将源域和目标域图像通过不同路径编码在同一个特征空间中。该结构能够保障不同域图像之间的编码路径相互独立，解耦编码参数来避免源域和目标域网络全共享导致的参数纠缠现象。随后提出了一种参数选择性引导策略，采用参数权重和梯度的双重标准选择出源域编码器中适合目标域图像编码的参数，转移到目标域编码器中。在网络的输出空间使用对抗学习拉近源域和目标域特征的距离，并使目标域编码器可以不断更新自适应参数以获得持续的进步。领域自适应实验结果表明，SGAA能够明显克服源域和目标域之间的领域差异，有效提高对目标域OCT图像的分割效果，且性能优于目前其他先进的领域自适应方法。<br>　　最后，本文使用MFTrans-Net分割算法结合SGAA自适应框架对一批脑白质高信号（WhiteMatterHyperintensities,WMH）患者、帕金森症（Parkinson’s Disease,PD）患者和健康受试者（HeathyControl,HC）的眼科OCT图像进行了无监督层分割并提取出各外视网膜层厚度指标进行统计，分析疾病相关性。分析结果表明，一些外视网膜子层的厚度变化与WMH和PD显著相关，这可以为医生提供相应的临床参考，也为通过眼科OCT图像诊断WMH和PD提供了可能性。