论文部分内容阅读
随着图像分析技术的不断发展以及在各个领域的广泛应用,基于医学影像的分割与分类以及两者在临床场景中的应用得到了科研人员的重点关注。医学影像可以呈现出人体组织与解剖结构以及病灶区域的形态特性。通过病灶区域定位、器官组织分割、特征信息提取等技术进一步对病情进行分析,给医生提供更准确、更全面和多维度的信息用于疾病的诊断。因此,医学影像分析技术的广泛应用能够更好的辅助医生的诊断工作。然而,由于医学影像模态众多且数据量庞大,持续增长的影像数据量给影像科医生带来很大的工作量。如果仅凭医生已有的经验对影像进行主观分析和处理,会增大误诊和漏诊现象的发生几率。随着计算机科学和人工智能的发展,结合多领域交叉学科的医学影像分析技术应运而生。该技术能够高效地分析处理大规模影像数据,并为诊断结果赋予更多的客观可靠因素。本文针对胰腺和脑胶质瘤的医学影像分割和分类问题分别开展研究,提出基于深度学习的分割模型和分类模型,并分别在胰腺数据集和脑胶质瘤数据集上应用所提出的模型进行胰腺分割和脑胶质瘤真假复发分类,主要研究内容如下:（1）提出基于生成对抗网络的胰腺分割模型（Adversarial U-Net,UDGAN）,该模型将对抗学习引入到传统分割网络U-Net中,通过生成对抗网络中的对抗竞争关系,促使分割网络输出的预测概率图更接近于其对应的标准图,进而改善分割概率图的质量。再进一步地引入多规模选择模块（Multi-Scale Field Selection,MSFS）和多通道融合模块（Multi-Channel Fusion Module,MCFM）,从多个层次获取更充分的细节信息用于分割,进而提升网络的分割精度。在公开的胰腺数据集（National Institutes of Health Clinical Center,NIH）上,UDGAN取得的DSC值为81.09%,这相比于基础分割框架U-Net取得的DSC值77.73%提高了3.36%,此外,MSFS和MCFM的相继引入使得胰腺分割精度在U-Net的基础之上分别提高了3.40%和5.10%。实验结果表明基于生成对抗网络的分割模型能够实现胰腺的自动分割,且MSFS和MCFM的引入有助于提高网络的分割精度。（2）提出基于双重约束下的对抗式胰腺分割模型（Two-Tier Constraints on A Conventional Network through Adversarial Learning,UDCGAN）,该模型再一次将生成对抗网络引入到已经融合了对抗学习的分割网络中,双重约束的引入有助于改善分割网络的能量函数以优化模型训练,进而提升网络分割性能。再进一步地引入多级线索收集模块（Multilevel Cue Collection Module,MCCM）,得到基于多层次信息的双重生成对抗网络（Dual Adversarial Convolutional Network with Multilevel Cues,DACN-MC）,MCCM的引入融合了来自于不同层级的特征信息用于分割。在NIH胰腺数据集上,UDCGAN取得的DSC值为82.51%,MCCM的引入使得胰腺分割精度达到83.93%。实验结果表明,相比于现有胰腺分割算法,UDCGAN和DACN-MC能够取得有足够竞争力的分割精度。（3）提出基于金字塔池化的双重生成对抗网络（Double Adversarial Networks with Pyramidal Pooling Block,DAN＿P）,该模型在双重生成对抗网络中引入改进的池化模块,获取不同感受视野下的线索信息用于分割。此外,还提出基于注意力机制的双重生成对抗网络（Attention-Guided Duplex Adversarial U-Net,ADAUNet）,即引入注意力机制来增强像素之间的相关性,进而收集到充足的上下文线索来提升网络分割精度。两种模型DAN＿P和ADAU-Net在NIH胰腺数据集上取得的DSC值分别为83.31%和83.76%。实验结果表明DAN＿P和ADAU-Net能够有效的处理极具挑战的胰腺分割任务。（4）提出基于深层生成对抗网络（Deep Convolutional Generative Adversarial Network,DCGAN）和Alex Net的脑胶质瘤真假复发分类模型DC-AL GAN,该模型采用DCGAN作为生成器,并引入Alex Net作为判别器同时也是特征提取器来收集特征用于分类任务。DCGAN中的对抗竞争机制有助于判别器在迭代训练过程中提取到高精度的特征。DC-AL GAN在脑胶质瘤数据集上取得的分类准确率和AUC值（Area under Receiver Operating Characteristic Curve,AUC）分别达到0.920和0.947,该算法被提出时其性能优于已有的其他脑胶质瘤真假复发分类模型。