教学课程资源库 更多>>

关键词： 生成对抗网络   医学影像处理与分析   图像分割   图像分类   深度学习  

摘要： 随着图像分析技术的不断发展以及在各个领域的广泛应用,基于医学影像的分割与分类以及两者在临床场景中的应用得到了科研人员的重点关注。医学影像可以呈现出人体组织与解剖结构以及病灶区域的形态特性。通过病灶区域定位、器官组织分割、特征信息提取等技术进一步对病情进行分析,给医生提供更准确、更全面和多维度的信息用于疾病的诊断。因此,医学影像分析技术的广泛应用能够更好的辅助医生的诊断工作。然而,由于医学影像模态众多且数据量庞大,持续增长的影像数据量给影像科医生带来很大的工作量。如果仅凭医生已有的经验对影像进行主观分析和处理,会增大误诊和漏诊现象的发生几率。随着计算机科学和人工智能的发展,结合多领域交叉学科的医学影像分析技术应运而生。该技术能够高效地分析处理大规模影像数据,并为诊断结果赋予更多的客观可靠因素。本文针对胰腺和脑胶质瘤的医学影像分割和分类问题分别开展研究,提出基于深度学习的分割模型和分类模型,并分别在胰腺数据集和脑胶质瘤数据集上应用所提出的模型进行胰腺分割和脑胶质瘤真假复发分类,主要研究内容如下:(1)提出基于生成对抗网络的胰腺分割模型(Adversarial U-Net,UDGAN),该模型将对抗学习引入到传统分割网络U-Net中,通过生成对抗网络中的对抗竞争关系,促使分割网络输出的预测概率图更接近于其对应的标准图,进而改善分割概率图的质量。再进一步地引入多规模选择模块(Multi-Scale Field Selection,MSFS)和多通道融合模块(Multi-Channel Fusion Module,MCFM),从多个层次获取更充分的细节信息用于分割,进而提升网络的分割精度。在公开的胰腺数据集(National Institutes of Health Clinical Center,NIH)上,UDGAN取得的DSC值为81.09%,这相比于基础分割框架U-Net取得的DSC值77.73%提高了3.36%,此外,MSFS和MCFM的相继引入使得胰腺分割精度在U-Net的基础之上分别提高了3.40%和5.10%。实验结果表明基于生成对抗网络的分割模型能够实现胰腺的自动分割,且MSFS和MCFM的引入有助于提高网络的分割精度。(2)提出基于双重约束下的对抗式胰腺分割模型(Two-Tier Constraints on A Conventional Network through Adversarial Learning,UDCGAN),该模型再一次将生成对抗网络引入到已经融合了对抗学习的分割网络中,双重约束的引入有助于改善分割网络的能量函数以优化模型训练,进而提升网络分割性能。再进一步地引入多级线索收集模块(Multilevel Cue Collection Module,MCCM),得到基于多层次信息的双重生成对抗网络(Dual Adversarial Convolutional Network with Multilevel Cues,DACN-MC),MCCM的引入融合了来自于不同层级的特征信息用于分割。在NIH胰腺数据集上,UDCGAN取得的DSC值为82.51%,MCCM的引入使得胰腺分割精度达到83.93%。实验结果表明,相比于现有胰腺分割算法,UDCGAN和DACN-MC能够取得有足够竞争力的分割精度。(3)提出基于金字塔池化的双重生成对抗网络(Double Adversarial Networks with Pyramidal Pooling Block,DAN＿P),该模型在双重生成对抗网络中引入改进的池化模块,获取不同感受视野下的线索信息用于分割。此外,还提出基于注意力机制的双重生成对抗网络(Attention-Guided Duplex Adversarial U-Net,ADAUNet),即引入注意力机制来增强像素之间的相关性,进而收集到充足的上下文线索来提升网络分割精度。两种模型DAN＿P和ADAU-Net在NIH胰腺数据集上取得的DSC值分别为83.31%和83.76%。实验结果表明DAN＿P和ADAU-Net能够有效的处理极具挑战的胰腺分割任务。(4)提出基于深层生成对抗网络(Deep Convolutional Generative Adversarial Network,DCGAN)和Alex Net的脑胶质瘤真假复发分类模型DC-AL GAN,该模型采用DCGAN作为生成器,并引入Alex Net作为判别器同时也是特征提取器来收集特征用于分类任务。DCGAN中的对抗竞争机制有助于判别器在迭代训练过程中提取到高精度的特征。DC-AL GAN在脑胶质瘤数据集上取得的分类准确率和AUC值(Area under Receiver Operating Characteristic Curve,AUC

关键词： 混合现实   医学影像   脑胶质瘤   三维重建   空间共享  

摘要： 随着智慧医疗技术的日益发展,混合现实(Mixed Reality,MR)技术与医学影像分析技术相结合已成为热点研究方向,也让医学术前诊断、术前规划、术中引导和医学教育培训变得更加智能。本文以脑部胶质瘤医学影像数据作为研究对象,旨在将当前混合现实技术、深度学习技术与医学影像智能分析技术有机结合,为帮助医生直观、精准地了解肿瘤范围,提高手术成功率,降低手术风险做出尝试。论文主要内容如下: 1.针对脑胶质瘤医学影像中存在灰度偏移场,核磁共振影像(MRI)肿瘤图像组织边缘模糊等问题,研究了基于深度学习模型3D Unet的脑胶质瘤定位检测与区域分割算法,实现对多模态(MRI)脑胶质瘤图像自动分割,并在Bra TS数据集中进行了验证,在全肿瘤区域、肿瘤核心及增强肿瘤核心区域上取得的Dice Score分别是0.897、0.849、0.791,实验结果表明本文3D Unet三维网络对多模态MRI影像数据具有较好性能。 2.研究了医学影像的三维重建与优化方法。通过面绘制的方法三维重建虚拟3D模型,开发了三维重建可视化工具,完成对患者原始医学图像的分割重建,并对多结构组织的3D模型进行优化,比较不同阈值和三角面数量下的绘制效果,获取能应用于混合现实系统的虚拟3D模型。 3.研究了基于交互式无标识和基于标识图的移动混合现实三维注册跟踪与视觉空间共享算法。实现了脑部和脑胶质瘤区域医学模型的交互操作,以及MR眼镜、安卓手机等多移动设备的第三视角空间实时共享,设计并实现面向脑胶质瘤影像分析的混合现实原型系统,并对MR系统实时运行性能进行分析,保证了系统交互过程的流畅性和虚实融合的实时性。

关键词： 医学影像   图像配准   深度学习   生成对抗网络  

摘要： 近年来,乳腺癌的发病率逐年上升,严重影响全球女性的身体健康。随着医学影像技术的快速发展,核磁共振检查成为乳腺肿瘤早期检查的重要方式。乳腺核磁共振图像包括T1加权成像与T2加权成像两种方式。T1加权像突出乳腺解剖结构,T2加权像突出乳腺病理结构。在临床诊断中,医生经常需要同时对T1与T2图像进行观察,不仅耗时而且容易出现误诊。而T1及T2加权的乳腺MRI影像配准可以实现信息互补,简化医生诊断的难度。传统的医学图像配准方法在解决配准问题时存在耗费时间长,非刚性配准效果差的问题。深度学习在医学图像配准领域的快速发展,为解决医学图像配准问题提供新的方向。 本文提出基于对抗生成网络的乳腺MRI影像配准模型,实现较高精度的实时乳腺MRI影像配准。该算法在训练过程中不需要真实的配准形变场作为监督信息,可直接输出配准图像。配准模型使用改进U-Net网络作为生成网络,在U-Net网络底层和跳跃连接阶段加入空洞卷积模块,以此来逐层提取跳跃连接的特征,并增大模型的感受野大小。在判别网络中,将相似性度量和平滑正则项与GAN网络的损失函数相结合来判别配准图像对的对齐关系,使得在生成精确形变场的同时保证配准图像的结构特征。 本论文将所提方法与经典深度学习配准方法进行比较。实验结果表明,本文提出方法能够获得更为精准的配准结果,具有一定临床应用价值。

关键词： 三维重建   医学影像   面绘制   体绘制   三维可视化  

摘要： 现代医疗领域中,借助电子计算机断层扫描(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Imaging,MRI)等设备获取的是二维影像序列,不够直观,导致影像内容不易理解,医生诊断大多情况都是凭借自己经验进行诊断,为了能够更直观的对病灶区进行观察,诞生了多个医学影像进行三维可视化系统。本文中,首先对医学影像三维可视化系统当前研究状况进行分析,包括国内外相关的系统发展现状。接着对医学影像常用的几种格式进行研究和分析,对不同图像处理相关的算法和算法对应的功能进行实验,对比算法效果的差异。然后对系统开发过程中用到的可视化工具(Visualization Toolkit,VTK),项目编译工具CMake和窗口开发平台QT进行介绍。其次,对医学影像三维重建常用的两种类型的算法进行研究:对面绘制中的移动立方体算法以及它的改进算法,对体绘制中的光线投射算法以及它的改进算法,进行了深入的研究与实验,对比不同方式结果差异,分析使用场景。接着,按照系统预期的功能设计,在系统中实现影像数据的加载、三维模型展示、面绘制、体绘制和交互操作这几个功能。最后,对系统进行功能性和非功能性测试,验证系统的有效性。

关键词： 图像分类   医学图像   深度学习   轻量级神经网络   注意力机制  

摘要： 医学影像技术作为医务人员诊断疾病的一种辅助技术,随着科技的发展和医疗设备的更新,已经成为一种常用手段运用于对患者活体组织的诊断当中。近些年来,深度学习作为机器学习领域最具有代表性的技术,已经在多个领域实现了突破性的成就。同时,神经网络技术与医学影像技术的结合,利用神经网络来提取任务目标的特征并处理医学影像,也在医学影像分析领域引起广泛的关注。这一切不仅能辅助放射科医生进行对患者的快速诊断,更能极大地节约时间和人力成本,对多个患者进行诊断的同时有效地减轻了医生的负担。大数据支撑下的多层次神经网络,构成了深度学习的本质,而一个深度学习模型通常包含大量的网络层和参数量。但深度卷积神经网络有着高准确率的同时依旧存在着因为参数量过于庞大而导致训练和测试的时间过于漫长,延长了诊断的时间,不能保证疫情初期能进行快速诊断。轻量级神经网络,一般是指所需要的参数量较少,或计算过程需要代价较小的神经网络模型。基于这些特点,轻量级神经网络可以作用于一些计算资源受限或硬件条件不足的设备上,如性能较差的计算机或智能手机,也可用于其他嵌入式设备,或可以用于一些硬件条件欠缺的不发达地区,来达到计算过程的实现。同时,新型冠状病毒SARS-CoV-2引发的COVID-19疫情席卷全球,对多个国家和地区的医疗安全和经济造成了影响。而卷积神经网络与医疗影像应用的结合,为诊断COVID-19提供了一个新的可行方向,现阶段已取得了十分显著的成效。如何研究并构建具有针对性的轻量级神经网络,来更有效地针对可能存在的突发情况,是一个值得研究人员探索的方向。对此,本文针对轻量级神经网络的特点,引入了注意力交互机制,并针对性地以肺部医疗影像作为任务目标对象,提出了两种优化模型:1.提出了一种基于多通道注意力交互机制的MAI-Net模型肺部COVID-19医学影像分类方法。由于X-Ray图像的同一类别样本具有较高的相似度的特点,并且多个不同样本的特征变异性较低,本文提出了一种多通道注意力交互机制的MAIE模块,分别提取浅层特征和深层特征。并以此模块为基础,提出了一种基于注意力交互机制的轻量级神经网络MAI-Net,用以对COVID-19医学影像进行分类。该方法在公共数据集上进行了验证,实验结果表明,其整体准确性和COVID-19类别精度分别为96.42%和100%,COVID-19的敏感性分别为99.02%。考虑到诸如精确率,网络模型的参数量和计算量等因素,MAI-Net具有更好的实用性。与现有工作相比,MAI-Net的网络结构更简单,设备的硬件要求较低,可以更好地用于普通设备。2.提出了一种基于位置像素注意力加强机制的LPA-Net模型肺部COVID-19医学影像分类方法。不同于MAI-Net的多通道注意力交互机制,LPA-Net采用位置像素注意力与通道注意力模块结合的方式,利用GC模块对轻量级神经网络EfficientNet进行改进。该方法在公共数据集上进行了验证,实验结果表明,其整体准确性和COVID-19类别精度分别为93.37%和98.51%。实验结果表明,LPA-Net达到了预期的效果,与多种经典网络模型相比,该方法具有较高的分类准确率,证明了所提出模型的有效性。

关键词： 医学影像分类   深度学习   数据增广   Transformer  

摘要： 医学影像是计算机视觉中一个重要的研究类别,而分类任务则是一个经典的机器学习任务。近年来,在计算机视觉的分类任务上,研究方法层出不穷,这些方法既创造了巨大的经济价值,又产生了积极的社会效益。本文将在具体分析现有医学影像模型利弊的基础上,从数据增广和神经网络模型两个角度出发,提出Softmix模型和Mix T模型,并通过多种实验进行验证。数据增广方面,本文的创新之处是以多张图片融合的方式为基础,优化了边界畸变带来的弊端,提出了数据增广模型Softmix。首先,设置了两种大小不同的框对图像区域进行划分。接着,设计出不同划分区域掩码值的计算公式。最后,利用掩码值将不同的图像进行融合。与此同时,本文结合相关工作对我们模型设计的优缺点进行综合分析,并进行了现有模型对比和超参数设置两种实验。结果表明,本文的数据增广模型存在一定的精度提升。本文还在神经网络模型方面探究了医学影像分类精度提升的方式。在此方面,本文对卷积神经网络和Transformer两种模型的优缺点进行比对和讨论,并提出了Mix T模型。该模型的主要创新点是使用卷积位置嵌入层来提高模型对位置信息的获取能力;使用基于池化的局部信息聚合分支来提升模型对局部细节信息的获取能力;使用多头自注意力分支来提升模型对全局信息的获取能力。总体设计上,本部分以特征金字塔的形式设置了分层结构。同时,还进行了对比实验和消融实验,结果表明Mix T模型总体提升了医学影像的分类精度。综上,本文在数据和模型两个层面提出了两种模型结构,进而提升了医学影像的分类精度。对于数据增广如何在丰富样本数量和内容的同时尽量减少人为引入的冗余和负面信息,对模型设计中如何充分发挥感受野对精度的提升作用提供了参考。

关键词： 铁基磁性纳米粒子   医学影像   纳米探针   肿瘤诊断   细胞示踪  

摘要： 现代医学影像技术的发展在生物医学领域发挥着越来越重要的作用。影像探针作为现代医学影像技术的重要组成部分,其性能是决定成像效果的关键因素之一。近年来,纳米材料凭借其优越的理化性质,被广泛应用于影像探针的构建。其中,铁基纳米粒子具有可调的磁学性质、良好的生物安全性、易功能化修饰等特点,在医学影像领域展现出巨大的优势。根据成像技术原理和疾病诊断需求,通过巧妙的化学设计调控铁基纳米材料的尺寸、形状、表面修饰等性质,是提高其成像性能的重要手段,同时能够赋予其多功能性。如何设计铁基磁性纳米材料以提高其在活体水平的成像效果是医学影像领域的研究热点。磁共振成像（Magnetic resonance imaging,MRI）具有无射线辐射、软组织分辨率高、成像无穿透深度限制等优点,已成为临床肿瘤诊断的重要手段。肿瘤的发生发展伴随着一系列复杂的微环境病理变化,发展能够无创、实时监测肿瘤病理标志物,同时获得肿瘤解剖学信息的影像技术对肿瘤的精准诊断尤为关键。常规MRI虽然可以反映肿瘤位置结构信息,但是难以检测肿瘤微环境病理学特征。因此,本论文设计构建了一种铁基磁性双模态纳米探针,该纳米探针展现出优异的T2加权MRI效果和高灵敏、高特异的钾离子（K+）响应荧光成像效果,从组织层面提供肿瘤位置、结构等解剖学信息,从离子层面提供肿瘤微环境病理学特征信息。利用热分解法合成单分散氧化铁纳米粒子（Iron oxide nanoparticles,IONPs）,通过介孔硅纳米外壳的表面修饰,提高了IONPs的水相稳定性和生物相容性。进一步在介孔硅内载入K+指示剂,并在纳米粒子表面通过表界面自组装形成K+选择性滤膜,得到基于IONP的K+特异性荧光成像/MRI双模态纳米探针（K+specific dual-mode nanoprobes,KDMNs）。尾静脉给药后,KDMNs在肿瘤部位富集,通过KDMNs造影增强的MRI获得肿瘤空间位置和形态结构等信息。同时,恶性肿瘤细胞外微环境升高的K+浓度引起荧光信号特异性增强,而在良性肿瘤组织中的正常离子浓度下,荧光信号变化微弱,因此在良恶性肿瘤中产生荧光信号差异。利用级联逻辑门整合MRI和荧光成像结果,使得双模态成像结果相互确证,最终实现了无创的肿瘤良恶性诊断。磁粒子成像（Magnetic particle imaging,MPI）是一种新型的基于断层影像技术检测磁性纳米材料空间分布的成像方法,具有无电离辐射、高灵敏度、信号无背景干扰等优点。本论文从MPI原理出发,通过调控IONPs的结构,制备得到了一系列不同尺寸的球形和立方体形IONPs。由于立方体形IONPs表面无序自旋比例低,相比于近似尺寸的球形IONPs具有更高的饱和磁化强度和磁化率,因此表现出更优异的MPI性能。研究发现边长约为22 nm的立方体形IONPs（CIONs-22）的MPI性能优于其他形状和尺寸的氧化铁纳米材料,其MPI信号强度相比于商用磁性纳米探针Vivo Trax提高了四倍多。同时,CIONs-22能够被骨髓间充质干细胞（Bone mesenchymal stem cells,BMSCs）高效摄取,且对BMSCs的增殖和多向分化潜能都无明显负面作用,具有较好的生物安全性。体内成像结果表明,CIONs-22具有高灵敏的干细胞示踪效果,利用MPI最少能够清楚观察到约2500个CIONs-22标记的BMSCs。结合三维MPI和电子计算机断层扫描成像,可以直接高效地观察干细胞在下肢缺血模型鼠体内的时空分布情况,长期精准地揭示干细胞在体内的命运过程。本论文通过对IONPs进行表面改性和功能化组装,调控其尺寸、形状等性质,制备出一系列成像性能优异、生物安全性良好的铁基影像探针,并将其应用于磁医学成像（包括MRI和MPI）,提高了探针的成像灵敏度、特异性,也为实现高效、无创的良恶性肿瘤诊断和细胞示踪提供了新策略。本论文将为后续设计和开发高性能影像探针提供理论基础、设计思路和可行性方案。

关键词： 医学影像   深度学习   迁移学习   卷积神经网络   注意力机制  

摘要： 近年来,深度学习在目标检测、图像识别、医学影像分析和辅助分类等方面的应用已经非常广泛。二零一九年末,新冠肺炎(corona virus disease 2019,COVID-19)疫情开始蔓延。二零二零年三月,世界卫生组织将COVID-19确定为全球最大流行病,疫情的出现给世界各地医疗体系造成巨大压力。快速识别COVID-19患者是控制疫情传播和防止医疗资源枯竭的关键。将深度学习技术运用到医学影像分析与分类中可以在一定程度上缓解医疗资源紧张的问题。并且可以减少人工处理所出现的误诊漏诊等情况。但是利用深度学习技术对胸部X射线(Chest XRay,CXR)图像进行分析,并将其应用在COVID-19等分类任务的过程中,还存在几个研究难点,其中包括:(1)由于医学影像特征包含骨骼和肌肉等组织,并且与病灶区域有所重合,所以在识别图像特征方面与普通自然图像有一定区别。使得模型关注点会发生转移,导致性能下降;(2)目前一部分模型算法存在一些问题,无法很好区分COVID-19和普通肺炎;(3)公开数据集相比于其他图像资源不足,尤其是经过有效病灶标注的资源更为缺乏。医学专家对图像标注又十分耗费时间。为了更好地解决以上问题,本文的主要研究工作如下:(1)本文基于模型的迁移学习思想,对预训练网络模型得到的特征信息进行传递。但是由于传统迁移学习策略并未进一步探究特征渐变性与样本数据量、特征相似度的关系,即微调的有效深度。由于肺部病灶区域数据量小,微调层数过多可能会导致网络过度拟合、泛化性差;而自然图像与肺结节数据相似性低,浅层微调可能使网络无法准确归纳病理特征,表达性差。因此,本文利用基于网络低层次特征具有普遍性的特点,提出了一种渐进式微调策略,有效提升了卷积神经网络模型对CXR图像分类的效果。为了缓解CXR图像样本不足、类别失衡、权重过重和原始网络训练时间过长等问题,本文使用了直方图均衡化等方法对数据集进一步进行处理,用来解决胸部X射线图像CXR(Chest X-Ray)会出现的灰雾现象。同时对CXR图像使用裁剪和旋转等方法进行数据增强,并且通过对数据进行预处理和过采样平衡正负样本的方法来解决这类问题。经过实验研究后发现可以在一定程度提高网络模型的分类准确度和效率。其次基于迁移学习后的卷积神经网络模型,本文提出了新的融合网络模型DRN,将DenseNet201网络模型中的稠密层与ResNet50网络模型中的残差网络模块进行了串行连接,使用每层网络后的全连接层替换为全局平均池化层的方式,这样就获得了参量更小,但效能更高的单通道全融合网络模型DRN。可以缓解单一网络在训练时参数过度拟合的问题。实验结果表明,该网络具有良好的泛化能力,能够对CXR图像进行有效分类。(2)使用本文所提出的融合模型DRN对训练集和测试集中的CXR进行分类,对DRN进行分类时提取特征的损失与各通道、空间的相关信息进行分析。本文提出了加入注意力机制模块与DRN再进行融合,通过将SENet与CBAM两种注意力机制模块分别融合至不同网络通道中,对实验精度影响进行研究。通过实验数据可以验证添加注意力机制模块后可以在一定程度上提高网络模型对CXR图像的分类准确度和性能。

关键词： U-net   医学图像   深度神经网络   激活函数  

摘要： 近年来,随着人工智能理论与技术的迅猛发展,以深度神经网络为代表的深度学习方法受到了极大的关注,取得了长足的进步。其中的代表之一,在医学图像智能识别和辅助诊断领域,由全卷积网络发展而来的U-net网络发挥了重要作用,成为医学图像识别与分割的最基础和重要的工具之一。目前,医学图像领域所使用的深度神经网络,包括U-net在内,采用的激活函数基本都默认是Re LU。而激活函数作为神经网络中重要的组成部分,其在处理和传递图像特征之间复杂非线性关系的过程中,起到了至关重要的作用。相比于损失函数及网络架构的研究成果,详细探究和比较激活函数在深度神经网络中的作用及表现的研究还比较缺乏。鉴于此,本文着重讨论U-net网络中各类激活函数的性能与表现。本文的主要工作之一是,针对病理图切片分类实验。首先,比较逻辑斯蒂模型、随机森林模型以及深度神经网络分类模型在医学图像分类的优劣。实验结果表明基于深度神经网络分类模型,五种评价指标提升范围在13.6%-31.8%之间。其次,针对医学图像分类模型,对比分析Re LU、Mish、Ge LU、ELU、SELU、Tanh六种单一形式激活函数及三种组合形式激活函数。实验结果表明三种组合激活函数比单一激活函数表现性能要优,在单一激活函数中Mish、Ge LU也比Re LU效果好。本文的主要工作之二是,基于四个医学图像数据集进行实验,研究如下问题:一,激活函数对眼底血管数据集的分割所起的作用和影响是什么?二,饱和与非饱和激活函数的各类评价指标在不同数据集上的表现与差异情况如何?三,基于胸部X光图像数据集、直肠CT图像数据集及脑胶质瘤图像数据集,对比分析Re LU、Mish、Ge LU、ELU、SELU、Tanh、Softplus七种单一形式激活函数及三种组合形式激活函数。实验结果表明:不用激活函数几乎分割不出图像的纹路;非饱和激活函数优于饱和激活函数;三种组合激活函数相对于单一激活函数取得较好的结果,在单一激活函数中Mish、Ge LU也比Re LU效果好,Tanh、Softplus激活函数效果最差。

关键词： 先验知识   深度学习   左心室分割   肾脏分割   血管分割  

摘要： 医学影像分割是计算机辅助诊断系统的重要组成部分。当前,基于深度学习的分割方法已是医学信息智能处理与分析的主流方法之一。但是,由于医学影像中普遍存在对比度差、边缘模糊、噪声等问题,深度学习的方法在准确分割方面仍然存在挑战。为了提升分割网络的性能,在网络中嵌入先验知识已成为该领域的研究热点之一。本文围绕形状和拓扑先验,开展融合先验知识的深度学习医学影像分割及应用的研究,主要的工作如下: 一、提出了一种基于形状先验的解剖结构分割方法,实现具有固定形状的解剖结构的精确分割。人体解剖结构分割时,由于影像对比度、噪声以及病变等因素的影响,现有的分割方法仍然会在形状、轮廓出现异常分割的问题。本文提出的方法在一个U-Net设计的粗分割网络的基础上,利用具有形状约束的变分自编码器进行形状约束。其次,设计了一种基于距离变换的形状感知损失函数进行网络训练,从而实现解剖结构轮廓形状的优化。最后,在具有固定形状的心室MR、肾脏CT两个数据集上分别进行了实验,结果验证了本文方法的有效性,泛化性和通用性。 二、根据中心线所表征的拓扑先验知识,设计了一种实现拓扑约束、同时完成血管分割和中心线提取的多任务分割框架,有效克服分割时常出现的血管断裂或粘连等问题。血管分割面临的挑战除了图像质量不一、标注困难以外,还具有血管本身结构复杂、背景类别不平衡等问题。本文方法针对这一的挑战,提出了一种引入血管拓扑信息的多任务学习框架。其次,设计了一种通道-空间融合模块,能够有效对不同任务的特征进行校正和互补。此外,在网络中还嵌入了一种利用中心线实现的拓扑损失函数,大大减少了血管分割结果不符合拓扑结构的情况。最后,分别在三个彩色眼底图像数据集和自建的肺CT影像数据集进行验证,结果表明了该方法的优越性能,在2D和3D的血管结构分割上均可以获得满意的效果。 综上所述,本文通过对网络结构和损失函数的设计,分别实现了形状和拓扑两种先验知识在深度学习分割方法中的嵌入。通过在多个数据集上的实验,结果证明了本文提出方法的有效性和通用性。