检索历史 清除

摘要中风是一直常见的致死性和致残性都很高的疾病，缺血性中风占中风的大多数，在缺血性中风的早期诊断中，其中一个关键环节是利用核磁共振图像标注出缺血性中风的损伤部位，也就是缺血灶。核磁共振图像成像原理复杂，机器逐层扫描构成3D空间图像。传统的诊断方式需要专业的放射科医生去逐张进行判断及标注，成本昂贵且易引起人为原因的遗漏或误判，因此自动化的缺血性中风损伤部位分割技术，即缺血灶标注技术正在成为智慧医疗领域的研究热点。<br>　　技术上，缺血灶标注可以转化为一个图像语义分割任务。近几年来，以卷积神经网络为基础的深度学习方法在图像语义分割任务中表现突出，本文的方案基于在医学图像任务中表现优秀的U-Net模型。然而，卷积操作具有局部性，在长范围的信息获取上比较困难，注意力机制在最近的研究中被用来捕捉图像的全局依赖关系，指导卷积层输出的权重分配，突出需要关注的重点位置和通道，以达到更精细的分割效果。本文研究基于注意力深度神经网络的缺血灶标注技术。本文的具体工作如下:<br>　　1.本文提出和实现了两种注意力机制:空间注意力和通道注意力。通过两种注意力机制来显式地捕捉图像特征中的长范围依赖关系，解决卷积层对于全局特征和长范围信息获取能力不足的问题，并依此完成对卷积层输出的权重分配，筛选并突出图像中重要的特征。<br>　　2.基于提出的两种注意力机制，设计并实现了3D Attention U-Net网络。在3D U-Net结构的基础上，本文将注意力机制嵌入解码器模块组成本文的网络来完成缺血灶标注的任务。<br>　　3.根据任务需要，设计并实现了适配本文网络结构的预处理模块，包括头部位置提取、归一化、切块采样等，解决了目标和背景数据不均衡、3D网络训练显存开销大的问题。<br>　　4.本文的实验基于公开数据集ISLES2015，实验证明我们的方法强于3D u-Net和其他对比的注意力模型，Dice系数的表现比3D U-Net高出0.09，注意力机制筛选出了图像重要的部分，且没有带来大的额外的训练开销。另外本文也在损失函数调整、输入大小选择和2D预训练模型与3D模型对比等方面进行研究，以提升模型表现。