论文部分内容阅读
在新冠肺炎肆虐下的世界,大量的患者需要对于发病器官使用CT进行摄像。分析大量的CT影像严重耗费了专业医师时间与精力。此时此刻,使用计算机对CT影像进行自动化器官分割变得刻不容缓。通过使用计算机进行CT影像分割,可以短时间并迅速的对于大量患者的病灶或者器官精准定位,进而辅助医生进行疾病诊断。因此如何有效的将图像分割技术应用在医学影像中,成为了大量研究者们迫切解决的任务。众所周知,在CT摄像过程中,会遇到各种各样的问题,比如在不同环境下目标尺寸、形状、位置变化较大,目标图像在现实拍照的情况下可能会带来外界噪声的干扰。这些因素的限制使得单个传统算法通常无法处理不同的复杂情况。随着深度学习技术逐渐的成熟,为CT影像分割提供了新的思路。本论文以胰腺CT影像作为研究对象,采用基于注意力模块的卷积神经网络来研究胰腺的自动精确分割方法。研究目标是建立卷积神经网络分割模型从CT影像中自动识别并分割出完整的胰腺器官。论文从基于多尺度卷积神经网络的胰腺CT影像分割模型为出发点,编写了特征图编码模块与特征图解码模块模型,实现了胰腺器官的自动分割。通过与常见的深度卷积神经网络学习算法相比较,论文所提方法无论是在精度上还是模型参数量上都具有很好改进。然后,针对多尺度卷积神经网络在分割过程中产生出细小碎片等问题,提出了基于注意力机制的卷积神经网络的方法,该方法能使用注意力模块精细化语义信息的提取,并对空间信息与语义信息的合并做出指导,该方法通过增加少的参数量得到了更大的精度提升,不仅能有效分割出完整胰腺器官,同时显著提高了胰腺器官的分割精度。论文的主要内容如下:(1)研究一种基于多尺度卷积神经网络的CT影像分割方法,该方法由两个模块组成。特征图编码模块将卷积模块并联,该方法可以同步提取特征图的空间信息与语义信息。特征图解码模块通过使用卷积层与双线性插值的方法精细化还原特征图至原图大小。通过在胰腺数据集上进行实验对比分析说明该模型能够有效分割胰腺器官,但在预测时存在计算效率低,空间连续性差和分割结果出现细小碎片等问题。(2)研究一种基于注意力模块的卷积神经网络的CT影像分割方法,设计了语义信息增强注意力模块及特征融合池化注意力模块。针对多尺度卷积神经网络的CT影像分割方法中存在的细小碎片等问题,注重于语义信息细化与类间问题与类内问题之间的关联,通过使用平均池化通路与最大池化通路对这两个问题进行了很好的解决,通过在胰腺数据集上进行实验对比分析说明该模型能够有效分割胰腺器官,并达到了目前的主流模型水准。