检索历史 清除

摘要肝癌是一种具有高死亡率的恶性肿瘤，我国是肝癌的高发地区。在医学图像上，使用可靠的肝脏肿瘤病灶自动分割技术在肝癌早期筛查中发现肿瘤症状，为患者后续的治疗计划和治疗评估具有高度意义。其中，核磁共振成像（MRI影像）因具有更高的软组织分辨率、更高的空间分辨率，成为评估肝脏肿瘤位置与形状的主要手段。但是，早期肝脏肿瘤的病灶位置不一、形状多变、体积较小，使得在MRI影像上对肝脏肿瘤病灶的自动分割成为难点。为解决该问题，本文基于医学图像领域广泛使用深度学习算法的基础上，对早期肝脏肿瘤的定位与分割两个方面做出改进与创新。本文的主要工作如下:<br>　　(1)本文提出了一种基于深度强化学习的肝脏肿瘤病灶定位方法。利用CNN提取丰富的图像特征，将当前区域通过预训练好的神经网络提取特征向量，与设置的记忆向量共同形成强化学习中的状态空间。设计了Agent的动作空间，通过不同类型的动作可以使Agent产生的BoundingBox逐渐对病灶区域进行拟合。设计了奖励函数，用来表征Agent与环境交互过程中得到的反馈，通过不同的奖励判断执行动作的好坏，最终通过最大化累计奖励来学习策略。<br>　　(2)本文提出了一种基于可变形卷积的肝脏肿瘤分割方法。利用可变形卷积对感受野或尺度大小可以进行自适应调整的特点，充分挖掘出肝脏肿瘤MRI影像中的特征信息，相较于使用传统标准卷积的分割网络提高了分割精度。<br>　　(3)本文将(1)中的定位模型与(2)中的分割模型进行结合，形成一个基于深度强化学习与可变形卷积的肝脏肿瘤定位与分割一体化模型。<br>　　综上，本文将早期肝脏肿瘤分割问题划分两步:先定位，再分割。基于深度强化学习的定位模型与基于可变形卷积的分割模型，两阶段的学习框架形成一体化的模型，可以更精准的分割早期肝脏肿瘤。将本文提出的方法应用于合作医院的肝脏肿瘤MRI影像数据。实验结果显示，本文提出的方法在早期肝脏肿瘤的检测与分割任务具备优越的性能。