检索历史 清除

摘要淋巴系统是保护人体健康的重要的免疫系统，而淋巴瘤是人体淋巴系统发生病变导致的恶性肿瘤。近几年来，中国淋巴瘤患者人数日益增多，严重影响了人们的身体健康。超声引导下的粗针穿刺活检因为其微创、便捷、无辐射的特性被广泛使用，并且价格低廉，更加被患者接受。超声图像能够较完整的显示淋巴系统，有利于医生分析病灶类型。<br>　　近年来对淋巴瘤自动诊疗系统的研究逐渐增多，这些研究大多集中于病理图像和电子计算机断层扫描图像中。与超声图像相比，这些图像的质量更高，但获取代价也是更高的，不适用于早期筛查。应用于超声图像的基本为传统的统计模型。统计模型需要人为进行处理，耗费大量的人力，同时人为提取特征更加粗略，诊断的准确率不高。并且这些模型普遍缺少可解释性，缺少可信度。<br>　　为解决上述问题。本文针对淋巴瘤超声图像识别模型及可解释性进行研究。对图像进行分割，并根据分割结果辅助分类，设计并实现一个诊疗系统，辅助医生诊断淋巴瘤种类。本文主要的研究工作有以下四个方面。<br>　　1)提出基于自注意力机制和稳定学习的语义分割模型<br>　　超声图像因其固有的声学特性，图像质量较差，噪声多。针对超声图像的特点，首先将自注意力加入到编码器网络，缓解多次采样带来的信息衰退问题，之后通过稳定学习方法计算样本的权重，优化模型损失函数，去除特征之间的相关性，在基线网络DeepLabv3+的基础上有效地提高来了模型性能。模型在DICE系数和IOU评分上分别达到了92.18%和86.91%。<br>　　2)提出基于因果注意力和特征融合的淋巴瘤超声图像分类模型<br>　　淋巴瘤超声图像中背景与病变区域灰度值相似，通过上述的语义分割模型得到病变区域图像，并行提取两者的特征进行融合，使模型更加关注病变区域。并通过因果注意力去除特征之间的虚假相关性，在基线网络ResNet的基础上有效地提高了对淋巴瘤的分类准确率。模型在准确度、召回率和F1评分上分别达到了90.4%、88%和89%。<br>　　3)利用反事实解释方法对模型预测结果进行解释<br>　　反事实解释方法是一种不对模型进行修改的实例级别的解释方法。针对于本文的模型以及数据特征，根据原始图像获取像素片段，对分割模型的原始图像进行扰动，分类模型同时对原始图像和病变图像进行扰动，并将扰动区域的像素设为0，为模型预测结果生成一个实例级别的解释，为医生展示图像中的那部分对模型的判断起到了至关重要的作用。<br>　　4)设计并实现淋巴瘤超声图像自动识别系统<br>　　该系统以本文所提出的模型为核心，通过上传患者的超声图像，生成对患者图像的语义分割结果，获取病变区域，并给出淋巴瘤的类别以及解释结果，辅助医生诊断。