检索历史 清除

摘要腹部计算机断层扫描(ComputedTomography，CT)图像中胰腺与病灶的精确自动分割是计算机辅助诊断系统进行病灶分析、临床诊断、肿瘤消融以及手术切除计划制定的重要步骤。由于深度学习表现出的超强学习能力和快速发展，基于卷积神经网络的深度学习分割方法成为了医学图像分割领域的主流算法。然而，传统的深度学习分割模型容易受腹部CT图像中大量背景区域以及胰腺形状位置多变等影响，获得准确的分割结果仍然存在一定难度。此外，基于深度学习的分割模型通常需要大规模像/体素级别标注数据进行训练和测试，这在医学图像分割场景中是很难实现的。因此，本文以卷积神经网络为基本工具，围绕胰腺分割中存在的一些关键问题展开了以下研究工作:<br>　　(1)基于粗定位与集成学习的胰腺自动分割。胰腺器官在腹部CT图像中通常体积占比较小，与周围组织灰度对比度较低，同时不同病人之间其形状、位置等变化较大。为了解决这些问题，我们提出了一个从粗到细的两阶段分割框架。在胰腺粗定位阶段，考虑到整图背景区域对CNN的影响，我们采用自下向上的策略，即利用ResNet网络对三个视图中基于超像素得到的局部图像块进行分类，从而得到整图分割的粗标签。在精细分割阶段，我们把从上一阶段得到的胰腺区域作为分割网络的输入，并且加入其上下相邻层的图像块为网络学习引入三维立体信息。针对类别不平衡等问题，我们设计了多个具有针对性的损失函数进行训练，进而得到多个关注侧重不同的分割网络，最后通过集成学习得到最终的分割结果，保证了在各种不良影响下的分割精度。<br>　　(2)基于图增强网络与不确定性引导的胰腺半监督自动分割算法。胰腺分割以及医学图像分割中常常面临着像/体素级别已标注数据量较小的情况。针对这个问题，我们提出了基于图增强网络和不确定性引导的胰腺半监督自动分割算法。该方法在nnU-Net基础上，加入了基于图卷积神经网络的图增强模块，对体素的深度语义特征和空间灰度关系进行建模，从而帮助CNN网络有效地利用全局空间分布信息，同时利用图结构的全局传播从高质量的伪标签图像中进行标签挖掘。考虑到生成的伪标签中可能存在误分割情况，我们引入了基于迭代的不确定性伪标签微调半监督学习框架，通过对伪标签质量的评估和选择，使得网络可以从高质量的伪标签中学习到更多的语义信息。<br>　　(3)基于深度特征判别学习的胰腺及病灶分割算法。通过胰腺和病灶分割任务中深度特征分布与分割精度的分析，我们发现同种类别的深度特征越聚集，分割精度越高。基于此，我们提出了深度特征判别损失函数。该损失从特征角度出发，鼓励同类别像素点的深度特征较为聚合的同时，使得不同类别的深度特征聚合中心彼此远离。通过对特征进行约束，一定程度上减小了尺寸不一致对联合损失函数优化的影响。经实验证明，该损失函数适用于其他的分割网络框架。