论文部分内容阅读
脑卒中俗称“脑中风”是一种急性脑血管疾病,是由于颅内血管突然堵塞或破裂导致血液无法流入大脑而引起脑组织损伤的一组疾病,包括出血性和缺血性两大类型。脑卒中具有高发病率、致死率、致残率和复发率的特点,严重威胁我国城乡居民生命健康。为更好地评估预后、指导治疗和制定二级防控策略,我国发布相关指南对两类脑卒中进行了更为细致的分型讨论。分型诊断的关键是识别和量化患者大脑医学影像中的相关区域和组织。目前,需要依靠医生观测病变组织边界、位置、形状大小,以确定具体分型,进而制定针对性诊治方案,但这样不仅耗时耗力还会引入观测者的主观差异。因此,医疗欠发达地区更倾向于实施普适性治疗方案,这使得多数患者无法享受rt-PA溶栓等针对性治疗方式带来的益处,患者的治疗风险陡增,治疗效果却大打折扣。随着计算机技术的发展,计算机辅助诊断的临床价值日益凸显,通过计算机辅助诊断技术实现脑卒中病程管理,分层指导进而实现患者的个性化治疗已成为领域内的研究热点。我国发布的治疗指南参考国际指南共识,同时结合最新循证医学证据编写而成。本文以治疗指南为指导基础,开展基于人工智能算法的脑卒中病灶精准量化分析研究,本文的主要研究内容和贡献如下:1)针对缺血性脑卒中辅助检测算法面临的数据不均衡、图像伪影干扰等问题,提出基于多平面信息融合的联合分割算法。磁共振弥散加权成像（Diffusion-weighted Imaging,DWI）是一种磁共振成像（Magnetic Resonance Imaging,MRI）技术,被临床公认为缺血性脑卒中金指标。通过算法获取患者DWI影像中的病灶信息将大大提高卒中诊断效率。但算法实现面临诸多困难,如样本不均衡、病灶不均质、边缘畸形、伪影噪声等。因此,边缘误识别、错检、定位不准等情况时有发生。本文对传统的Mask R-CNN分割原理展开研究,并基于此设计针对不同解剖面的检测分割算法。Mask R-CNN是一种两阶段的图像分割器,第一阶段通过区域候选网络（Region Proposal Network,RPN）生成大量先验（候选）框,第二阶段基于先验框进行坐标回归、目标分类和分割。针对分割结果中出现的错检、漏检、定位不准等问题,本文利用在相邻影像切片中得到的高置信度病灶分割结果对当前影像切片的分割结果进行修正,并设计信息融合算法计算不同帧对当前帧的贡献强度,进而帮助恢复误检、漏检等情形下的缺血性病灶。实验结果表明本方法分割Dice为0.622优于DeepMedic的0.563。2)基于大规模出血性脑卒中CT数据集,提出弱监督引导注意力模型,提升出血性脑卒中亚型分类的精度。颅内血管破裂后,血红细胞的状态变化将显著影响计算机断层扫描（Computed Tomography,CT）的影像学特征。出血性脑卒中亚型分类具有较强的临床指导意义,但现有的研究普遍分类粒度过大,对亚型的分辨能力不足。另外,很少有研究针对特大规模数据,传统算法模型无法从中获取更多性能增益。因此,本文将探索如何基于大规模影像数据进行细致的缺血性脑卒中亚型分类。本文对多种算法开展研究,通过充足的实验选择基准算法,并在此基础上提出了弱监督引导注意力机制和联合特征优化算法。本文方法引入软注意力机制,以无监督算法的分割结果作为软注意力的引导,使算法更加关注那些与诊断相关的可疑区域,同时抑制正常区域的特征表达;本文通过联合特征优化算法显著提升算法的最终性能。实验表明,引导注意力机制能有效抑制噪声表达,提升分类性能,而多重特征聚合能有效解决单张分类算法的误检、漏检等问题,极大程度提高算法精度。本方法的平均F1分数高于其他方法至少4%。3)针对非典型缺血性脑卒中患者诊断设备受限的问题,提出基于CT影像的对称区域特征比较算法,提升病灶识别精度。MRI是对急性脑卒中最敏感的筛查方式,但MRI拍摄禁忌较多,如体内不能有心脏起搏器,胰岛素泵等金属物品,但此类患者往往拥有更高的卒中患病风险。CT作为具备卒中临床表现患者的首选筛查方式,几乎没有拍摄限制。并且早在1996年,CT影像就在评估静脉注射tPA溶栓治疗中发挥关键作用。因此,探索基于CT影像的急性缺血性脑卒中病灶量化识别方法具有重要临床意义。由于放射科医生也难以准确勾画出CT上的缺血性病变,本文针对数据标注问题,提出基于图像配准技术的标注迁移算法;研究表明通过比较大脑对称侧可以提高判断缺血组织的准确率。但现有相关的研究使用特征过于单一,不足以处理复杂的CT影像,性能普遍较差。本文通过深度学习算法对影像中的脑部区域进行对称特征提取,计算差分特征,以放大病灶与健康组织的特征差异。实验结果显示,本文所提算法在急性期脑缺血的辅助筛查中具备一定的有效性。综上所述,本文在治疗指南的指导下开展研究,研究成果分别针对诊断流程中的三个重要环节。研究内容1基于DWI序列影像实现缺血性脑卒中病灶精准量化分割;研究内容2基于CT影像实现出血性脑卒中病灶精确亚型分类;研究内容3基于CT影像实现非典型缺血性脑卒中患者病灶量化识别。研究内容1,2分别解决缺血性和出血性病灶量化问题,研究内容3作为研究内容1的场景补充。本文将方法应用于多个数据集,对比分析了本文所提算法与现有算法的性能差异。结果显示,本文方法能有效量化脑卒中病灶,具有临床应用价值。