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

发布时间：2020-04-25 21:40

【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。
【图文】：

图 1.1 医学图像分割技术的应用1.2 医学影像分割关键技术问题由于人工对影像分割不仅耗时、工作量大、成本高，而且存在观察者之观差异性，这种差异性对肿瘤的诊断、治疗风险、治疗疗效及预后质量有着的影响，给肿瘤患者带来巨大的伤害。为解决这一难题，目前利用计算机信术对不同病变部位和不同模态影像的肿瘤分割已经有很多相关研究工作，国学者提出了一系列半自动、全自动的算法模型，但是由于医学成像物理原理杂性及肿瘤本身在不同模态图像上表现异质性，目前医学影像分割结果的准受到噪声污染、部分容积效应、图像强度不均匀性等因素的影响，肿瘤影像自动分割仍然是个复杂和具有挑战性任务。从医学影像成像和分析领域权威学会议 International Conference on Medical Image Computing and Computer AssIntervention（MICCAI）和 IEEE International Symposium on Biomedical Ima

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.2.2 部分容积效应部分容积效应是指由于成像设备有限空间分辨率限制，出现单个体素包含组织器官类别，使得不同组织器官边界部分灰度值非常接近而无法分辨组织之间的边界，从而使得图像分割任务非常困难。图 1.3 所示的不同医生对同脏 CT 肿瘤进行勾画，从图中我们看到因为部分容积效应导致肿瘤边界无法，不同医生对边界定义差距性很大，，因为小肿瘤目标的体素个数占整个体数例非常低，很小的边界误差也会对肿瘤的分析带来很大的影响[8]。
【学位授予单位】：中国科学院大学(中国科学院深圳先进技术研究院)
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP391.41;TP181

【相似文献】

相关期刊论文 前10条

1 付卓;胡吉平;谭衢霖;刘正军;;遥感应用分析中影像分割方法[J];遥感技术与应用;2006年05期

2 徐芳,梅文胜,张志华;航空影像分割的最小二乘支持向量机方法[J];武汉大学学报(信息科学版);2005年08期

3 刘少创，林宗坚;航空影像分割的Snake方法[J];武汉测绘科技大学学报;1995年01期

4 郭海涛;孙磊;申家双;陈小卫;张宏伟;;一种四叉树和测地线活动轮廓模型相结合的海陆影像分割方法[J];测绘学报;2016年01期

5 黄慧萍,吴炳方;基于区域合并影像分割技术的多尺度地表景观分析[J];地理科学进展;2004年03期

6 乔梦佳;王宇飞;赫晓慧;郭恒亮;周振红;;基于影像分割与SVM分类的城市建筑物提取研究[J];信息技术;2018年05期

7 邱双双;;基于核模糊c-均值聚类与阈值分割的SAR影像分割算法[J];科技创新与应用;2014年35期

8 王丽华;蒋朋睿;王岩;刘强;;基于彩色影像分割的航空影像房屋提取方法[J];内蒙古科技与经济;2014年09期

9 刘振宇;余洁;谢东海;刘利敏;;应用区域统计特征的PolSAR影像分割[J];中国图象图形学报;2014年05期

10 王亚平;冯伟;;基于影像分割的目标识别和地物提取技术探讨[J];测绘技术装备;2018年04期

相关会议论文 前7条

1 莫登奎;林辉;;一种稳健的高分辨率遥感影像分割方法[A];第十二届全国图象图形学学术会议论文集[C];2005年

2 王晶;张艳宁;;针对高分辨率遥感影像分割的改进连通域标记方法[A];信号与信息处理技术第三届信号与信息处理全国联合学术会议论文集[C];2004年

3 顾娟;张宏伟;;面向对象的居民地分类提取和变化检测方法[A];中国地理信息系统协会第四次会员代表大会暨第十一届年会论文集[C];2007年

4 高永祥;刘伟华;;基于粗糙集与K-均值聚类的多光谱遥感影像分割[A];江苏省测绘学会2007'学术年会论文集[C];2008年

5 顾娟;;面向对象的居民地分类提取和变化检测方法[A];数字测绘与GIS技术应用研讨交流会论文集[C];2008年

6 谭玉敏;槐建柱;唐中实;;一种基于区域邻接图的高分辨率遥感影像分割算法[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

7 程新文;吴中忠;王子煜;陈秀万;;基于纹理梯度的高分辨率遥感影像分割[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

相关博士学位论文 前4条

1 秦文健;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[D];中国科学院大学(中国科学院深圳先进技术研究院);2019年

2 陈荣元;数据同化框架下多源影像融合分割及协同研究[D];武汉大学;2010年

3 熊金鑫;基于区域分割的多源、多时相卫星遥感影像联合匹配方法研究[D];武汉大学;2014年

4 徐川;基于多特征多测度的光学与SAR影像自动配准方法研究[D];武汉大学;2013年

相关硕士学位论文 前10条

1 刘宏波;并行MCMC算法的SAR影像分割[D];辽宁工程技术大学;2016年

2 高郡;结合区域和特征的遥感影像分割[D];辽宁工程技术大学;2017年

3 张英海;基于ECM算法的多视SAR影像分割[D];辽宁工程技术大学;2017年

4 莆杰艺;基于异质性最小准则的基元合并影像分割方法研究[D];长安大学;2013年

5 袁秀华;高分辨率遥感影像分割研究[D];江西理工大学;2014年

6 王博;基于高分辨率影像的改进分水岭算法影像分割参数优选研究[D];兰州大学;2013年

7 杨慕艺;基于3D slicer的医学影像分割算法及其应用研究[D];新乡医学院;2017年

8 刘荣杰;基于凝聚层次聚类的高分辨率遥感影像分割算法研究[D];青岛大学;2008年

9 刘玲玲;CT/MRI医学影像分割算法研究[D];天津医科大学;2013年

10 张爱竹;基于智能优化算法的高分辨率震害影像分割[D];中国石油大学(华东);2014年

本文编号：2640716