论文部分内容阅读
医学图像分割是指从医学图像中识别出器官、组织或病变区域,提供关于这些感兴趣区域的形状、体积和位置等关键信息。临床上,医学图像分割是疾病诊断和治疗的重要组成部分,通常主要由经验丰富的医生或专家手动完成。随着医学成像技术的发展,医学图像的规模快速增长,给医学专家带来了大量且繁琐的工作。因此,许多研究人员提出了医学图像自动分割方法。早期的医学图像分割方法大多是基于阈值、边界、活动轮廓和图论等传统的或基于机器学习的方法,这些方法在分割性能和效率上均不能满足如今临床应用的需求。深度学习能够通过数据驱动的方式从原始图像数据中学习最具代表性的特征,并得到显著优于其他方法的分割结果,近年来已成为医学图像分割任务的首选方法。本文以人体脊椎椎骨的3D实例分割为例,基于深度学习技术,对如何提高分割算法的性能和适用性进行了深入研究。本文的主要工作和贡献如下:(1)针对现有的大部分椎骨检测算法适用场景有限的问题,本文提出了一种新的人体脊椎椎骨检测算法。首先从空间和形状上定义了图像中每个点的椎骨中心似然,然后设计了2D分割网络CentroidNet以实现椎骨中心似然热图的预测,最后采用基于DBSCAN聚类算法改进后的LDBSCAN算法对椎骨中心似然热图进行聚类以得到最终的椎骨中心。(2)针对椎骨实例分割任务中相邻椎骨高度相似导致的分割精度较低的问题,本文提出基于语义的coarse-to-fine策略,将语义复杂的实例分割任务分解为两个语义相对简单的分割任务,并基于此策略提出了一个级联的3D椎骨分割网络CascadeVertSegNet。具体地,CascadeVertSegNet由CoarseVertSegNet和FineVertSegNet两个3D的二分类分割网络组成,前者负责区分椎骨与背景,后者利用前者的分割结果进一步将当前椎骨实例从其相邻的椎骨中分割出来。(3)设计了新的网络模块RISCSE并将其用于CascadeVertSegNet的设计以提高分割性能。本文基于残差学习和scSE模块设计了新的模块RISCSE,该模块增强了在通道和空间上的注意力,使得网络能够更好的区分相邻的椎骨。此外,通过跨网络的跳跃连接进一步提升了网络性能。(4)本文在三个公开数据集上验证了提出的椎骨实例分割算法的性能和鲁棒性。首先,在MR Lower Spine和xVertSeg两个数据集上算法的检测率达到了100%,Dice系数达到了95%,优于目前大部分先进的椎骨实例分割算法。其次,针对现有大部分算法缺少对异常椎骨分割性能分析的问题,本文在包含大量畸形椎骨、金属植入物、骨质肿瘤和噪声的VerSe2019数据集上分析了提出的椎骨实例分割算法的鲁棒性。实验结果显示,在VerSe2019数据集上算法的检测率和Dice系数分别达到了94.6%和94.3%,表明该算法在复杂情况下也能获得满意的实例分割结果。