检索历史 清除

摘要胸腔疾病是严重威胁当代人类生命健康的主要疾病之一，而且仍然呈现不断增长的趋势。放射类检查方法尤其是X射线由于其经济、快捷、可靠等优势，已成为多种胸腔疾病筛选和诊断的主要依据。然而，人工阅读分析X射线存在专业医师少、诊断速度慢等问题，不能满足日益增长的患病人数的诊断需求。因此，开发出可以根据X射线快速准确诊断疾病的计算机辅助诊断算法已经成为当前一个持续的研究热点。机器学习及深度学习算法现已被成功应用于医学图像识别领域，使得利用智能算法诊断疾病的水平有了进一步的提高。但是现有的诊断算法模型仍存在以下四个方面的问题：1）输入时直接通过压缩医学图像的质量以适应网络的输入，导致关键特征缺失；2）模型进行疾病分类任务时，通常使用全局图像训练网络，而病理区域的位置及大小具有不确定性，易使诊断结果受到无关区域的影响；3）执行分割任务时，传统注意力机制计算量大，且利用卷积体系结构无法获取长距离的依赖关系，影响分割精度；4）疾病分类任务与病理区域分割任务往往作为两个独立网络，无法实现交互等。针对上述问题，展开了如下研究：<br>　　（ 1 ）提出了一种基于 ISE-AENet （ Improved SENet and Auto-Encoder in Joint Learning Network，ISE-AENet）的胸腔疾病联合诊断方法。该方法模仿了放射科医生的工作方式，首先，输入医学图像使网络浏览图像全局，之后定位到需要重点关注的病理区域，最后通过结合整张医学图像与病理区域的特征信息得到最终的诊断结果。网络引入了自动编码器实现高分辨率医学图像以最小关键信息损失完成降维。在使用注意力分支网络对病理区域定位时，又引入了改进后的SENet注意力模块，它可以自适应地调整感受野的大小，使网络自动地利用感受野捕捉到的信息进行特征分类，同时也可在降低模型复杂度情况下提高注意力的性能。使用现有规模最大的胸腔类疾病数据集ChestX-ray14对ISE-AENet进行训练和测试，结果表明，模型诊断14类疾病的平均AUC值可达0.853，优于同类型的其他方法。<br>　　（ 2 ）提出了一种基于 DB-TASNet （ Double Branch with Transformer Axial-Attention Segmentation Net，DB-TASNet）的胸腔疾病诊断与病理区域分割算法。DB-TASNet通过将传统分类网络与基于文中提出的高敏感度门控轴向注意力Transformer层改进的U-Net网络相结合的形式构建，可使分类网络充分利用分割过程中所产生的中间结果，增加分类结果的可解释性，进而提高诊断效果。网络使用医学影像信息学协会（SIIM）所提供的气胸数据集进行训练和测试，结果表明，DB-TASNet分类任务的平均AUC值可达0.939，分割任务的DICE系数可达0.886，可以为相关医疗人员提供一种更高效更准确的辅助诊断依据。