基于时相超声造影图像的辅助诊断算法研究

• 作 者: 王嘉琦
• 出 处: 电子科技大学
• 发表日期: 2020年08期
• 关键词: 超声造影 弱监督目标定位 视频分类 视频迁移学习

超声造影是一种新型的超声成像技术,它利用微泡超声造影剂通过严格的血管内注射来突出微血管和宏观血管,这使得可以通过定量或定性的方法来评估感兴趣区域内的血管形成情况,这克服了常规B型超声成像技术对肝脏成像的一些限制,被广泛的应用于肝脏、乳腺、前列腺等多种脏器肿瘤的检测与诊断。超声造影图像中的感兴趣区域定位是一项重要任务,医生需要通过观察感兴趣区域内的病灶形态才能够进行相应的诊断。超声造影与常规B型超声最大的不同就是需要通过观察注射造影剂后血管形态的变化来进行诊断,这就需要观察基于时间变化的图像信息。超声造影数据不单单是二维图像,而是时相的视频数据,这也给其应用带来挑战。而近些年来,多学科融合成为趋势,医疗领域和计算机领域的交叉联系也越发紧密,尤其以深度学习为代表的人工智能领域迅速发展,成为了辅助诊断的主流技术。因此本文围绕时相超声造影图像的辅助诊断算法研究,主要进行以下研究:(1)本文利用基于弱监督学习的目标定位算法,在仅仅使用图像标签信息而没有位置信息的情况下,实现超声造影图像中的感兴趣区域目标定位。介绍了基于深度学习的弱监督目标定位算法,并在此基础上提出了 AEN算法,利用真实超声造影数据,对其效果进行定量和定性的分析。旨在通过基于弱监督学习的目标定位,减少超声医生的数据标注工作量,来辅助医生进行感兴趣区域的观察。(2)本文利用时相超声造影视频,完成了肿瘤的良恶性诊断。本文介绍了多个超声造影视频分类算法,并在此基础上提出MFSE算法。在真实的超声造影数据集上进行了实验,验证了本文所提出的MFSE算法在时相超声造影视频的肿瘤良恶性诊断任务中具有的优越性。所得到的结果可以为医生提供可靠的诊断建议。(3)目前在二维图像中,利用自然图像预训练模型迁移到医疗图像上已经被验证是有效的,而在视频中却鲜有人进行这样的验证。本文通过利用自然视频的预训练模型迁移到医疗视频的诊断任务当中,通过实验,验证了在视频当中,自然视频到医学视频的迁移学习也是有效的。