检索历史 清除

摘要数字成像技术已经在医生对患者疾病的诊断过程中变得非常重要，医生可以直接在患者的器官或者病变区域图像上进行判断是否符合正常。虽然随着该项技术的发展和普及，已经帮助医生能够对患者疾病进行快速且准确的诊断，但仍然是一个非常繁琐、耗费人力的过程。深度学习方法的出现使得自动诊断技术变为可能，大部分时候能够替代医生做出迅速，甚至更为准确的判断。但是模型往往因为数据集图像质量、多样性和数量的限制，导致模型在实际的临床应用上没有很好的泛化性能表现。<br>　　针对以上问题，本文对生成对抗网络在解决医学数据集多样性和数量不足的问题上进行了深入探讨和研究，提出了基于生成对抗网络的感兴趣区域合成方法。由于肾小球性血尿等疾病的影响，人体尿液中的红细胞在显微镜下会变形成多种形态。受到血液组织中的其他细胞和物质的干扰，所能采集并且正确标注的红细胞数量是有限的。因此，我们基于在原始显微镜图像下对尿红细胞进行ROI区域提取，再使用提取到的由单张红细胞构成的图像数据集对生成对抗网络进行训练，从而合成多样的、丰富的尿红细胞数据集。基于尿红细胞的感兴趣区域合成的好处，我们对钉突二期膜性肾病中的钉突病灶进行合成。在弱监督标注下，训练好的多示例模型能够达到定位包含钉突示例的效果，并且我们使用从训练集中定位出的钉突病灶作为钉突数据集。与原始肾小球数据集相比，钉突数据集以更多数量以及更低图像分辨率的优势训练生成对抗网络。最终，我们提出了一种专门针对于二期钉突膜性肾病分类的基于示例级数据增强的多示例学习模型（IDA-MIL）。通过实验证明生成对抗网络合成的钉突数据集能够有效改善多示例模型对肾小球钉突病灶的分类性能，准确率达到最好0.9405。此外，考虑到模型的临床应用性，医生更需要模型给出确定的诊断结果，因此我们调取了患者的历史临床病历，利用文本分析技术对患者疾病进行分类，最终计算了高概率钉突示例占比与实际临床膜性肾病分期相关性。<br>　　本文研究了生成对抗网络在典型医学影像图像缺乏场景下的合成表现。通过视觉和指标上的效果提升，证明了生成对抗网络在直接合成有效信息部分，而不是合成整张原始图像时，能够更好地对关键信息部分进行合成。基于感兴趣区域合成的生成对抗网络能够有效弥补带有小尺度病灶的医学数据集数据缺乏的问题，并且能够避开医院对患者数据的隐私保护问题，合成的数据集不存在患者实体性，因此可以公开合成数据集用于教学研究以及模型训练。