检索历史 清除

摘要慢性阻塞性肺疾病(Chronic Obstructive Pulmonary Disease，COPD)是一种常见的慢性呼吸系统疾病，具有高致死率和致残率，给社会和家庭带来了沉重的负担。因肺部器官始终有气体充盈，磁共振成像和超声成像方法均不适用于肺部诊断。目前，计算机断层扫描(Computed Tomography,CT)影像已经成为肺部疾病的主要诊断手段。研究表明，通过CT影像的量化分析可以进行COPD早期诊断，但目前的量化分析方法还面临许多挑战;另外，临床诊断信息也是临床医生诊断COPD的重要依据，如能把这些临床诊断信息与CT影像有效结合，会大幅度地提升COPD风险预测的准确性。但临床诊断信息形态繁杂，其量化输入和量化分级等方面给智能量化分析带来诸多困难。近年来，深度学习技术得到快速发展为COPD智能量化分析提供了良好的基础。研究发现，各类肺疾病在影像学方面表现出的细微差异、在组织形态学方面的精细结构，临床诊断信息的非结构化、多样化和模糊化等特点、以及CT影像和临床诊断信息的同步关联等问题，都给COPD的精准量化分析带来了极大的困难和挑战。<br>　　针对上述问题，本论文旨在构建一套基于CT影像与临床诊断信息的COPD智能量化分析方法。受深度学习在自然语言处理和计算机视觉领域中的成功应用的启发，本文利用深度学习技术对COPD的影像数据和临床诊断数据进行量化分析，分别在CT影像肺叶分割、基于影像的COPD识别、基于临床诊断信息的COPD识别、以及多模态融合COPD风险预测等方面开展智能量化方法研究。主要工作包括以下四个方面:<br>　　(1)针对肺叶分割精度不高导致COPD难以进行局部定量分析的问题，本文提出了一种基于CT影像渐进式残差密集网络的肺叶分割模型。该模型可以在保留肺叶边缘信息的同时，区分前景与背景，实现端到端的自动肺叶分割。结果表明本文提出的深度学习网络模型具有较高的肺叶分割精度，为COPD智能量化分析提供了一种可行的技术保障;<br>　　(2)针对不同肺疾病在CT影像上表现十分相似而导致COPD识别精度不高的问题，提出了一种基于CT影像多层融合的COPD识别方法，对健康人群、COPD患者、肺纤维化患者、以及肺炎患者等多类症状相似的呼吸疾病，进行基于CT影像的智能分类。针对当前流行的深度学习分类网络类型繁多，性能差异较大，难以进行有效选取这一问题，本文详细探究了 9个经典深度学习分类网络在影像分类方面的性能差异，设计了形状、纹理和尺度三个因素对分类网络性能的实验方案，得到了客观有效的评价。结果表明，借助针对这9个分类网络的评价研究结果，选取了 4个合适的影像分类网络，提升了多层融合的COPD识别的精度;<br>　　(3)针对非结构化临床诊断关键信息提取困难而导致COPD识别精度不够的问题，提出了一种基于分层神经网络模型的COPD识别方法，实现了基于临床诊断信息的COPD智能分类。本文的临床诊断信息识别模型分别从词语级-句子级-文档级对临床诊断信息进行特征提取，实现COPD识别。结果表明，本文提出的多层神经网络模型实用有效，适用利用临床诊断信息进行COPD识别;<br>　　(4)针对单一模态的临床数据预测COPD不够准确的问题，本文提出了一种多模态数据融合的COPD风险预测模型。该模型采用协同融合策略将CT影像与临床诊断信息进行融合，利用融合后的多模态信息对COPD患者进行风险预测。结果表明，与单一模态风险预测模型相比，多模态预测模型能够实现较准确的COPD风险预测。<br>　　综上所述，本文建立了一套基于CT影像与临床诊断信息的COPD智能量化分析方法，实现了基于CT影像进行肺叶精确分割与COPD识别、基于临床诊断信息进行COPD识别，以及基于多模态数据的COPD风险预测等智能量化分析，提供了一套基于CT影像和临床诊断信息的COPD智能量化分析与风险预测方案。