基于机器学习的医学影像分割关键问题研究及其在肿瘤诊疗中的应用

资源类型: 资源大小: 文档分类: 上传者:

文档信息

【关键词】 医学图像分割  机器学习  卷积网络  多模态成像  肿瘤诊疗 

【出版日期】2019-06-01

【摘要】医学影像分割是从二维或三维医学影像中检测出目标对象的边界,获取正常组织器官及肿瘤病变区域,其分割技术在诊断的形态和解剖分析、治疗前的活检引导与路径规划、治疗中的跟踪与定位、预后的病情进展变化等方面有着重要的临床意义。虽然基于机器学习的全自动分割算法目前在多模态医学影像分割上取得了众多的研究成果,并展示出其优秀的分割性能。然而,不同模态的成像技术受噪声、部分容积效应和图像强度信息不均匀等因素影响,严重降低了图像质量而引起边界定位困难。加之,肿瘤及组织器官解剖多样性和在不同模态图像上的特异性表达及空间与时间分辨率各有不同,从而增加了目标对象的复杂性,因此,全自动、稳定、鲁棒和准确的医学影像分割依然具有较大的挑战。为解决上述难题,本论文进行了如下研究:从边界识别和形状多变自适应能力的角度研究提升分割算法精度的方法;研究数据驱动的乳腺超声(Breast Ultrasound,BUS)、肝脏计算断层成像(Computed Tomography,CT)、前列腺磁共振(Magnetic Resonance Imaging,MRI)的跨模态图像精准分割算法;调研分析和验证分割算法在肿瘤诊疗中的应用场景和价值。本论文研究贡献及创新点主要包括针对高噪声、强度分布不均匀的乳腺肿瘤US图像,研究了基于边界约束的主动轮廓模型,引入边界指示算子克服边缘曲线的吸附能力;提出一种超像素边界感知的卷积网络(SBBS-CNN)实现肝脏CT全自动分割,有效解决了训练样本不足和容积效应导致的目标边界定位不准确;为克服前列腺MRI强度分布不均匀和周围组织重叠,提出了一种多层级边界感知的残差全卷积网络(HBS-RUnet)实现前列腺组织的准确分割,并采用多层级自学习策略提升学习特征鲁棒性和网络收敛性能;初步验证了基于级联2.5D残差全卷积网络(2.5D RUNet)的肝段与肿瘤分割在肝肿瘤外科手术前功能评估分析应用。最后,通过详细的实验对比分析,本论文所研究的分割算法和模型训练策略方法不仅可以全自动、准确、鲁棒和稳定的对组织器官和肿瘤目标完成分割和检测,而且该成果易于扩展至其他影像模态和肿瘤部位,为临床对肿瘤疾病的精准诊疗提供参考性的技术方案。

参考文献

引证文献

问答

我要提问