基于深度学习方法的胸部常见病变X线诊断研究

作     者：张驰名 

作者单位：西南科技大学 

学位级别：硕士

导师姓名：陈波

授予年度：2020年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 070207[理学-光学] 07[理学] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 0702[理学-物理学] 

主      题：迁移学习 多标签学习 注意力机制 卷积神经网络 X线 

摘      要：X射线具有经济、快捷的优势,是早期发现肺结核、肺炎、气胸等各类呼吸系统疾病的重要手段,被誉为现代医学影像的“流量入口。因此,以覆盖广大基层医疗卫生机构的影像设备—X线为切入点,开展基于人工智能的胸部常见病变筛查诊断项目,将会成为“AI+医疗健康惠及大众的一个里程碑实现。其中,如何基于深度学习方法提升计算机辅助诊断的性能,是当前医学图像和深度学习领域研究和亟待解决的重要问题之一。围绕胸部X线细粒度辅助诊断场景中存在的网络特征学习冗余性、数据不充分不平衡性、病例信息多元化等关键性问题,本文开展针对性研究,形成一套应用于胸部辅助诊断的有效方法和机制,主要研究工作和贡献包括:1.基于ChestX-Net网络的胸部X线辅助诊断研究针对X线胸部病变诊断中网络学习冗余性的问题,本文提出ChestX-Net细粒度诊断网络,一方面基于通道间的注意力机制模块,通过自适应重要性学习,对每个特征通道进行“特征重标定,另一方面基于双路并行的全局最大-平均池化结构获得局部特征的互补信息,减少降维过程中的信息损失。实验结果表明,本文ChestX-Net网络在14种病变诊断中均取得最优AUC值,平均AUC值达到0.813,高于Resnet50网络的0.790和DenseNet121网络的0.799,且在基于弱监督学习的病灶区域检测中与专家标注的重合度更高,进一步为网络优异的细粒度诊断性能提供相应的视觉支持和可解释性。2.面向不平衡不充分数据的多标签胸部X线诊断研究针对网络在病变样本不充足、类别不均衡的多标签诊断中面临的拟合困难、特征学习偏向性问题。首先,根据网络特征学习具有层次性渐变的特点,提出基于迁移学习的差异性协同微调方法,通过特征差异化学习提高网络迁移学习的性能增益;然后,基于多标签焦点损失函数,通过聚焦因子的动态缩放机制,降低简单易分的负样本在损失值中所占权重,使网络偏向于困难、易错分样本的学习。与相关工作比较,本文方法在14种胸部常见病变中均取得最优AUC值,平均AUC值达到0.830,并通过病理特征区域的可视化评估对其优异性进行了验证。3.基于多元信息融合学习的胸部常见病变辅助诊断研究在目前病例信息多元化的发展趋势下,为解决网络在多维信息中的协同诊断问题,我们以胸部病变为研究重点,在X线图像的基础上,进一步引入病例语义信息,提出基于深度学习的多元信息融合网络。首先通过两个并行的子网络分别将语义信息和X线影像抽象为更高层次的特征向量,然后进行特征融合后输入全连接分类层,实现病变诊断。此外我们还进一步对ChestX-Ray14数据集中图像数据与语义信息的相关性展开研究,为网络的精准诊断提供相应的思路。实验表明,本文构建的多元信息融合网络,具备联合跨模态关系建模和多元特征互补性学习的能力,随着病例信息的多元化浪潮的开启,将在临床实践中具有巨大的发展潜力。