关键词:
深度学习
多尺度上下文信息
医学影像评估
骨肉瘤
肺结节
摘要:
医学诊断在临床应用中起着关键的作用,特别是在对恶性肿瘤和肺部病变的早期筛查过程中,其准确性与时效性直接关系到患者的预后和治疗效果。另一方面,现代医学影像技术的快速发展,使得医学数据在规模上持续扩大,给传统的人工阅片带来了巨大的挑战。因此,如何借助人工智能方法提升医学影像的分析能力,尤其是在骨肉瘤与肺结节等复杂病灶的图像分割与评估任务中,实现更加精准和自动化的辅助诊断,成为当前研究的关键问题。针对上述难题,本文提出了基于多尺度上下文信息的医学影像评估方法,并在骨肉瘤与肺结节图像上进行分割与评估。本文的主要研究内容与创新点概述如下:
1.本文提出了一种基于3D U-Net的上下文肺结节图像分割算法,改进了现有方法在建模上下文信息时的局限性。算法集成了残差模块和多层次的组合单元,并提出对异常值鲁棒的损失函数,增强模型的特征提取和处理复杂图像的能力,实现了高效且准确的肺结节分割。算法在肺结节数据集上实验,Dice指标较基线模型提升超过5%,有效增强了肺结节分割的性能。
2.本文提出了一种基于多元病变信息融合的对偶评估网络。网络使用一种对偶评估结构进行双分支的图像信息输入,然后构建骨肉瘤多元信息汇聚单元聚焦图像的关键信息。在对偶框架的基础上,模型使用骨肉瘤泛化损失函数来解决骨肉瘤影像数据不均衡的问题。方法自建了骨肉瘤数据集并进行实验,选用Res Net50作为骨架网络,准确率较SOTA模型提升约2%。
3.本文提出了一种基于临床诊断启发的结构感知多尺度肺结节评估方法,用于肺结节医学影像的智能评估。基于临床医生的肺结节诊断流程,设计相应的分割、特征提取和多尺度结构感知模型,提升网络的可解释性。针对多尺度结构感知模型,设计了多尺度上下文模块和层内外结构感知模块,提高模型对不同形态结节的感知识别能力。算法选用3D Res Net作为基线模型,在肺结节数据集上实验,AUC指标提升约7%。