论文部分内容阅读
随着基于深度学习的医学影像分析方法的发展,在某些临床检查影像的评估中深度学习模型获得了超越医学专家的能力,这种突破给医疗影像智能诊断带来希望,但同时,深度学习在医学影像领域的应用仍然面临巨大的挑战。基于深度学习的影像分析方法包含三个要素,分别是数据、算法与算力,而在医学影像分析领域,主要的挑战在于其中两点,其一是建立有标注的医学影像数据集,其二是研究针对特定临床问题的分析算法。基于此,科研人员在进行医学影像分析前,必须要进行两方面准备工作,其一是大规模的原始影像数据的获取与标注,其二是深度学习分析算法研究环境的搭建。针对这两方面的问题,本论文从医学影像数据集构建方法研究入手,设计并实现了一个包含影像标注、影像数据集构建、算法集成分析环境的医学影像分析系统,并应用该系统对胃镜视频中关键生理解剖位置分割进行了实践,主要内容如下:(1)对医学领域包括光学视频图像和断层扫描图像在内的两种典型成像模态的影像格式进行了分析,并结合医学影像的标注形式与质量控制要求,设计了一种适用于多模态医学影像标注数据集的构建方法。(2)以数据集构建方法为基础,设计实现了胃镜影像和冠状动脉CTA影像标注模块,并基于标注模块建立了胃镜影像疾病标注集、胃镜影像生理解剖部位标注集和冠状动脉CTA影像数据集,最后在标注模块和已建立的影像数据集的基础上设计实现了在线深度学习算法集成分析模块。影像标注模块、影像集构建模块和算法集成分析模块三部分共同构成了医学影像分析系统。(3)应用医学影像分析系统生成训练数据集与定义深度学习模型,对胃镜视频中关键生理解剖位置分割算法进行了研究。通过使用语义分割网络SegNet,对包括食管下段、齿状线、胃角、幽门、十二指肠降部和背景在内的六分类分割数据集进行了训练与评估,实验结果显示模型全局准确率(GA)为88.5%,分类平均准确率(CAA)为71.2%,平均交叉联合度量(mloU)为63.5%。同时,通过胃镜视频检查发现中的病灶生理解剖位置信息对分割模型进行了测试,结果表明该模型能够较为精确的显示病灶所在的生理解剖位置。