论文部分内容阅读
医学图像分割是医学图像分析、理解和精确量化诊断的关键技术,为临床疾病诊断、术前规划、术中导航和术后评估等智能医疗服务提供重要的辅助信息,其准确性将直接影响诊断、治疗和术后评估的效果。尽管基于人机交互的半自动分割和自动分割取得较多研究成果,但由于医学图像的模态多样性和复杂性,使其面临诸多困难和挑战。本文重点围绕多种复杂场景下的医学图像分割问题,对基于神经网络的医学图像分割算法展开深入研究。具体内容概括如下:1.基于多特征灰狼优化PCNN的MRI脑肿瘤分割算法针对阈值、聚类等传统算法的分割性能易受图像灰度不均匀和噪声等影响,在边界模糊、对比度低、噪声较大的核磁共振成像（Magnetic Resonance Imaging,MRI）脑肿瘤分割中精度不高的问题,本文提出一种基于多特征灰狼优化脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）的分割算法。由于单一模态只能反映有限的组织信息,无法有效提取脑肿瘤区域丰富的特征信息,本文采取图像融合和图像分割的两阶段框架。图像融合阶段,采用基于最大能量区域的多模态医学图像融合模型,融合来自不同模态的丰富信息。图像分割阶段,基于元启发式群智能搜索算法,设计了改进的基于多特征灰狼优化的PCNN分割模型。该模型可结合图像的多个特征自适应地设置PCNN的参数。实验结果表明,该算法在MRI脑肿瘤分割中取得了更高的分割精度。2.基于多尺度上下文感知的医学图像分割算法针对不同分割任务中医学图像的模态多样性、类别不平衡、器官及病灶区域的形状和大小多变等复杂特征,以及基于深度卷积神经网络的分割方法在图像上下文信息提取和细节特征信息保存方面的局限性,本文构建多尺度上下文感知网络（Contextaware Network,CA-Net）。在编码器的末层引入多尺度上下文融合模块（Multi-scale Context Fusion,MCF）,从空间和通道多个尺度捕获深层语义特征图中的上下文信息。在编解码层间引入稠密跳跃连接,保留来自各浅层编码层的特征图中更多的空间细粒度信息。实验结果表明,在未采用预处理和后处理操作的情况下,与其他网络对比,CA-Net在多个不同模态的复杂医学图像分割任务中取得了最优的分割性能,且有效降低了模型参数量和浮点运算量（Floating Point Operations,FLOPs）。3.基于多尺度感知和语义适配的医学图像分割算法为进一步增强网络在病灶区域边界模糊、与周围组织对比度较低、亮度不均匀,以及相似背景颜色的干扰等复杂场景下的特征表达能力,本文构建多尺度上下文感知和语义适配的深度编解码网络（Multi-scale Context-aware and Semantic Adaptor Network,MCSA-Net）。该网络可提取图像深层的丰富语义特征,同时可减少跳跃连接中来自深浅层语义特征的直接融合所带来的不利影响。一方面,通过在编码的多个深层引入多尺度上下文感知模块（Multi-scale Context-aware Module,MCAM）增强深层语义特征图中不同尺度特征学习的表征能力,抑制非目标区域的干扰。另一方面,通过多层语义适配模块（Multi-level Semantic Adaptor Module,MSAM）捕获相邻编码层的特征图中更多的空间细节信息,细化目标区域的边界,同时消除编码层到解码层的抽象语义特征差异。实验结果表明,基于深层语义的多尺度自适应学习和语义适配的方法不仅提高了目标区域边界的分割精度,而且可有效抑制周围相似背景信息的干扰。4.基于显著性引导及不确定性监督的医学图像分割算法针对前期工作（算法2和算法3）在部分复杂样本,如组织、器官或病灶区域内部特征差异较大,而类间的特征差异较小,目标区域纹理复杂,背景存在较多干扰信息等分割中,仍存在欠分割或误分割的问题,本文提出显著性引导和不确定性监督的医学图像分割算法。通过显著性引导模块（Saliency-guided Module,SGM）和不确定性监督模块（Uncertainty-supervised Module,USM）分别生成显著图和不确定概率图,将二者作为监督信息,与原图像一同送入分割网络,引导网络关注目标区域特征的学习,同时增强网络对不确定分类区域和复杂边界的表征能力。实验结果表明,本文算法可以更好地定位目标区域的边界,并通过对不确定分类区域特征的学习,一定程度解决了前期工作在上述复杂分割场景中存在的不足,具有更好的泛化能力和鲁棒性。综上所述,针对当前医学图像分割面临的困难与挑战,本文以神经网络为切入点,对医学图像特征分析、分割算法设计与模型构建等方面展开深入研究,在多个医学图像分割任务中有效提升了多种复杂场景下的分割性能。