关键词：
异常检测
多视图数据
脑部肿瘤分割
自闭症检测
隐空间约束
摘要：
医学影像是放射科或核医学部门的一项程序,其丰富的成像方式被广泛应用于现代医学诊断。对于医学影像数据,多视图表示对同一研究对象进行多种不同途径或者不同角度的描述,医生对患者的诊断往往需要借助多视图数据进行分析和对比。因此,多视图医学影像从辅助检查手段变为现代医学最重要的临床诊断和鉴别诊断的依据。此外,传统的医学影像分析方法大多依赖于手工特征,需要相关专家结合其先验知识,花费大量时间和精力标记感兴趣区域。在实际的临床应用中,由于疾病种类较多且部分疾病的发病率较低,这导致了现有的数据存在不平衡和建模困难等问题。而异常检测可以在多数类样本上训练模型并将少数类样本作为异常样本检测出来,能够解决医学影像数据存在的问题。所以,异常检测的方式在医学影像的数据处理中逐渐受到越来越多的关注。经过查阅文献发现现有的异常检测算法主要针对自然图像数据,而医学影像的异常检测通常涉及三个方面:检测,分割和诊断。但这些算法往往忽略了临床和医学影像本身的特点。故这些算法在获取医学影像的可区分性的特征方面还有待提高。综上,如何针对医学影像特殊的成像方式,以及在样本量较小且不均衡的情况下,提高算法对于异常检测的精度,是一个值得研究的理论和应用问题。针对上述医学影像异常检测中的数据和模型的特点与问题,我们设计了以下算法:(1)脑瘤异常检测在计算机辅助诊断领域起着至关重要的作用,然而,脑瘤数据稀少且难以分类。无监督方法能够减少巨大的标签成本,在训练期间仅给定正常的大脑图像,就可以应用于脑瘤异常检测。然而,现有的无监督方法仅在图像层面判断样本是否异常,不能有效地学习鉴别性特征。针对上述问题,本文提出了一种新型的脑肿瘤异常检测方法,该方法通过基于隐空间特征正则化的对抗性学习来获得鉴别性特征。在Bra TS、HCP、MNIST和CIFAR-10数据集上的综合实验评估了本文算法的有效性,其性能超过了最先进的脑瘤检测方法。(2)自监督学习可以很好地捕捉关于不同概念的通用知识,从而有利于各种下游的图像分析任务。本文提出了一种新的自监督学习方法,考虑到医学影像特殊的多种成像模式,且为方便学习下游任务的特征表示,本文使用多视图融合的分类任务作为预训练任务,通过在数据层面混淆图像模态来学习一个模态无关的特征嵌入,这有利于从多种图像模态中学习丰富的特征。学习到的特征经过微调后,可以应用于不同的下游任务。此外,为了有效解决不同时期目标物体形状不同的问题,本文还提出了一个上下文融合模块来提取不同大小肿瘤的特征。最后,通过简单的微调将学到的表征转移到下游的多视图医学影像分割任务中。综合实验表明,本文提出的算法在Bra TS 2019和CHAOS数据集上优于最先进的方法。(3)U型网络在全局(长距离)的上下文互动和边缘细节的保存方面存在一定的局限性。相比之下,Transformer模块通过利用自注意机制,具有捕捉长距离依赖关系的出色能力。尽管Transformer模块能对提取的特征图进行长距离依赖性建模,但它在处理高分辨率三维特征图时仍然存在着较高的计算复杂度和空间复杂性。为解决上述问题,本文提出一个高效的基于Transformer的U型模型。此外,本文还提出了一个用于医学影像的自蒸馏模块,该模块可从编码器的跳跃连接中提炼出细粒度的细节,同时学习全局语义信息和局部空间细节特征。为进一步保留医学影像的边缘和细节信息,本文首先提出了一个多尺度融合块。在Bra TS 2019和CHAOS数据集上进行的大量实验表明,本文算法的性能优于最先进的方法。(4)由静息态功能磁共振成像得出的脑功能连接已被广泛应用于研究神经性精神疾病,如自闭症。但是,现有的研究通常存在以下问题:(i)不同的扫描仪或多个站点的研究人员会造成明显的数据异质性。(ii)每个功能磁共振成像扫描中都有数百万个体素,而训练样本的数量非常有限(几十或几百)。(iii)可解释性差,这阻碍了可重复的疾病生物标志物的识别。为解决上述问题,本文提出了一种基于多站点聚类和嵌套特征提取的方法,该方法使用静息态功能磁共振成像数据对自闭症进行检测。具体而言,我们首先将多站点训练数据分为自闭症组和健康对照组。为了模拟每个类别中的站点间异质性,我们使用相似性驱动的多视图线性重建模型来学习潜在的表征,并在每个组内进行聚类。然后,我们设计了一个嵌套的奇异值分解方法来缓解站点间的异质性。最后,用线性支持向量机进行自闭症的检测。在实验部分,本文证明了该框架的有效性,并且表明在自闭症检测方面优于几个最先进的方法。
欢迎来到三峡大学图书馆！
