论文部分内容阅读
医学图像的准确分析对于临床诊断至关重要,然而分析结果会因不同医生的主观判断存在些许不同,同时我国医疗资源匮乏加重医生负担,诊断过程耗时耗力。因此,急需提出计算机自动辅助诊断方法缓解人工分析医学图像的诸多局限性。近年来,随着硬件设备和神经网络理论的发展,深度学习已经在包括医学图像分析的诸多领域取得了惊人的表现。相较于传统的计算机辅助诊断方法,深度学习有诸多优点,例如:不需要人工交互,不依赖特征选择;可以直接输入任意大小的图像,完成端到端的网络训练;不需要复杂的后处理步骤。然而,深度学习应用在医学图像分割领域依然充满挑战,例如:提取特征时无法区分有用特征和冗余特征;经过网络提取图像特征再恢复到原始图像时,图像的空间信息丢失;缺乏高质量的标注数据,使得网络容易出现过拟合现象等。针对深度学习应用于医学图像分割领域存在的诸多挑战,本文以皮肤镜图像分和二维全乳超声图像为对象,分别进行了皮肤病变的自动分割和二维全乳超声图像解剖层的分割,探索了基于编码解码框架的网络模型,实现了端到端的网络训练。本文的研究成果主要包括如下两个方面:一方面,基于2016年和2017的ISBI皮肤病变挑战数据集,对黑色素瘤进行自动分割。本文设计了基于编码解码框架的皮肤分割网络,通过改进上采样操作,探索了解码模块如何恢复原始图像高分辨率的方法。解码模块主要包括三部分,分别是:残差卷积层、链式残差池化层和密集反卷积层。相同分辨率的编码解码模块间利用跳跃连接缓解梯度消失的问题,同时利用分级监督加速网络收敛。与其它已有分割方法相比,本文提出的方法可以增强网络恢复原始图像分辨率的能力,解决病变边缘模糊的问题。本文在皮肤病变数据集上进行了广泛的实验,实验结果证明了所提出的分割方法的有效性。另一方面,对于全乳超声图像的解剖层分割,本文提出了基于注意力机制的编码解码分割网络,将全乳超声图像由上到下分为四个不同的组织:皮肤脂肪层、乳腺组织层、肌肉层和肋骨与胸腔壁。具体来说,基于注意力机制的编码解码分割网络包含三部分。第一部分是以聚合残差变换网络ResNeXt为基础提取特征,同时嵌入沿着空间维度的注意力模块和沿着通道维度的注意力模块,强化有用特征,抑制无用特征。第二部分利用非局部上下文模块,建立长距离的空间依赖,增大感受野的范围,提升全局上下文信息的能力。第三部分则是针对对于上采样操作的改进,本文提出权重上采样模块,解决低级特征缺少高级语义信息的问题。最后在全乳超声图像上进行了大量的实验,实验证明,所提出的分割网络有效解决了解剖层分割的问题。综上所述,本文以皮肤镜图像和全乳超声图像为基础,根据深度卷积神经网络在图像分割中常用的编码解码框架,针对深度学习方法应用于医学图像分割领域的问题和挑战,探索了避免冗余特征、提取有用特征和上采样操作中恢复原始图像高分辨率的解决方案。本文在数据集上做了大量的对比实验,证明了所提出方法的有效性。本文提出的方法不仅只局限于皮肤镜图像和超声图像,也可以应用于其它医学图像或自然图像。