论文部分内容阅读
目的：如何利用图像分割与测量技术从医学影像中获取有价值的辅助诊断信息，是当前人工智能领域的研究热点和难点之一。近年来，医学成像技术的快速发展给人工智能辅助临床诊断提出了更高的技术挑战。基于机器学习算法的人工智能技术，特别是深度学习算法的研究因其性能优势已经逐渐被应用于医学图像分割与测量的问题中,并给临床的诊断提供了重要的技术支持。尽管如此，人工智能辅助诊断领域仍有诸多问题有待深入研究。
本研究基于深度学习算法，针对医学图像分割与测量领域的心脏磁共振图像中射血分数的测量问题、3D脊柱磁共振图像中多脊柱结构的分割问题以及基于X-ray图像辅助筛查新冠肺炎(Corona Virus Disease2019，COVID-19)的问题做了较为深入的研究，并提出了三个实用性较强、泛化性能优良的深度学习算法。
方法及结果：（1）针对心脏磁共振图像中射血分数的测量任务，提出了一种心动周期特征学习（Cardiac Cycle Feature Learning，CCFL）。该方法构造了一个心动周期提取模块（Cardiac Cycle Extraction，CCE），该模块生成并分析光流场以获得所有图像的心动周期；一个运动特征融合与提取模块(Motion Feature Fusion and Extraction Module，MFFE)，用于对心动周期序列进行时间建模；以及一个全连接回归模块(Fully Connected Regression，FCR），用于实现直接测量。实验证明，本研究提出的方法具有可靠的性能，相关系数达0.946，平均绝对误差达2.67。
（2）针对3D脊柱磁共振图像中多脊柱结构的分割问题，提出了一种对抗性网络S3egANet，通过提取细粒度结构信息的多模态自动编码器模块，解决了复杂的3D脊柱结构分割问题。S3egANet采用了跨模态体素融合模块(Cross-modality Voxel Fusion Module,CMVF)，可有效融合多种模态磁共振图像的全面的空间信息。设计了一种多阶的对抗学习策略(Multi-stage Adversarial Learning Strategy,MSAL)，以同时实现多个脊柱结构的高精度和可靠性分割。实验结果表明，S3egANet算法的平均Dice系数为88.3％，平均灵敏度达91.45％。
（3）针对基于X-ray图像辅助筛查COVID-19问题，提出了一种判别代价敏感学习算法，提出了一种判别代价敏感学习算法(Discriminative Cost-Sensitive Learning，DCSL)，以实现利用X-ray图像辅助筛查COVID-19患者。DCSL结合了细粒度分类和代价敏感型学习的优点。首先，研究设计了一个条件中心损失(Conditional Center Loss,CCL)，该损失学习了深度的判别表示；其次，DCSL使用分数级代价敏感学习(Score-level Cost-sensitive Learning,SLCSL)，可以自适应地调节将COVID-19病例错误分类为其他类别的代价值。本研究使用一个多类数据集来测试DCSL算法的性能，该数据集包含X-ray图像2239例，其中确诊COVID-19患者图像239例，确诊细菌性或病毒性肺炎患者图像1000例,健康人员图像1000例。实验研究结果表明，该算法明显优于同类最新算法，其平均准确度达97.01％，平均灵敏度达97.09％，平均F1指标达96.98％。
结论：本研究设计了三种深度学习算法，分别实现了基于医学图像的心脏左心室射血分数、3D多脊柱结构和COVID-19的分割与测量。其中，CCFL算法可以作为心脏LVEF指标的潜在测量工具；S3egANet可以对脊柱磁共振图像进行较为精细的分割并为临床诊断提供参考依据；DCSL算法可基本实现利用X-ray图像辅助筛查COVID-19患者的需求。
本研究基于深度学习算法，针对医学图像分割与测量领域的心脏磁共振图像中射血分数的测量问题、3D脊柱磁共振图像中多脊柱结构的分割问题以及基于X-ray图像辅助筛查新冠肺炎(Corona Virus Disease2019，COVID-19)的问题做了较为深入的研究，并提出了三个实用性较强、泛化性能优良的深度学习算法。
方法及结果：（1）针对心脏磁共振图像中射血分数的测量任务，提出了一种心动周期特征学习（Cardiac Cycle Feature Learning，CCFL）。该方法构造了一个心动周期提取模块（Cardiac Cycle Extraction，CCE），该模块生成并分析光流场以获得所有图像的心动周期；一个运动特征融合与提取模块(Motion Feature Fusion and Extraction Module，MFFE)，用于对心动周期序列进行时间建模；以及一个全连接回归模块(Fully Connected Regression，FCR），用于实现直接测量。实验证明，本研究提出的方法具有可靠的性能，相关系数达0.946，平均绝对误差达2.67。
（2）针对3D脊柱磁共振图像中多脊柱结构的分割问题，提出了一种对抗性网络S3egANet，通过提取细粒度结构信息的多模态自动编码器模块，解决了复杂的3D脊柱结构分割问题。S3egANet采用了跨模态体素融合模块(Cross-modality Voxel Fusion Module,CMVF)，可有效融合多种模态磁共振图像的全面的空间信息。设计了一种多阶的对抗学习策略(Multi-stage Adversarial Learning Strategy,MSAL)，以同时实现多个脊柱结构的高精度和可靠性分割。实验结果表明，S3egANet算法的平均Dice系数为88.3％，平均灵敏度达91.45％。
（3）针对基于X-ray图像辅助筛查COVID-19问题，提出了一种判别代价敏感学习算法，提出了一种判别代价敏感学习算法(Discriminative Cost-Sensitive Learning，DCSL)，以实现利用X-ray图像辅助筛查COVID-19患者。DCSL结合了细粒度分类和代价敏感型学习的优点。首先，研究设计了一个条件中心损失(Conditional Center Loss,CCL)，该损失学习了深度的判别表示；其次，DCSL使用分数级代价敏感学习(Score-level Cost-sensitive Learning,SLCSL)，可以自适应地调节将COVID-19病例错误分类为其他类别的代价值。本研究使用一个多类数据集来测试DCSL算法的性能，该数据集包含X-ray图像2239例，其中确诊COVID-19患者图像239例，确诊细菌性或病毒性肺炎患者图像1000例,健康人员图像1000例。实验研究结果表明，该算法明显优于同类最新算法，其平均准确度达97.01％，平均灵敏度达97.09％，平均F1指标达96.98％。
结论：本研究设计了三种深度学习算法，分别实现了基于医学图像的心脏左心室射血分数、3D多脊柱结构和COVID-19的分割与测量。其中，CCFL算法可以作为心脏LVEF指标的潜在测量工具；S3egANet可以对脊柱磁共振图像进行较为精细的分割并为临床诊断提供参考依据；DCSL算法可基本实现利用X-ray图像辅助筛查COVID-19患者的需求。