基于深度学习的腹部器官图像分割研究

作     者：卢宏春 

作者单位：新疆大学 

学位级别：硕士

导师姓名：田生伟

授予年度：2021年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0836[工学-生物工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 多器官图像分割 注意力机制 交叉反卷积 边界增强 

摘      要：图像分割是腹部器官计算机辅助诊断和手术规划的关键步骤。然而,在传统方法中,放射科医生通常使用手工描绘器官,这种方式既耗时又费力,降低了诊断和治疗的效率。近年来,随着医学图像分割技术的发展,使用计算机自动分割病人的CT、MR等腹部图像来辅助医生诊断和治疗病人,减轻了放射科医生的工作量。由于腹部器官图像受到强度不均匀、弱边界、噪声和相似物体相互靠近的影响,给腹部器官图像分割带来了一定的困难。如何在腹部器官图像上更精确地提取深层特征和达到更准确的分割效果,仍然是一个非常值得探索的领域。因此,本文针对腹部器官图像分割技术进行了研究。论文主要工作如下:（1）设计并实现了一种基于双重上下文聚合和注意力引导交叉反卷积的图像分割算法。在卷积神经网络中,每个尺度处理信息不一样,通常浅层尺度具有更多的位置信息,深层尺度具有更丰富的语义特征。为了更好地挖掘腹部器官图像的深层特征信息,提出了一种基于双重上下文聚合和注意力引导交叉反卷积的图像分割算法。利用双重上下文聚合的方式来捕获更细粒度的深层特征,从每个不同的尺度进行上下文特征提取,将这些不同尺度提取的上下文特征信息进行融合,为解码过程提供更丰富的先验信息。引入注意力机制获取医学图像的通道和空间特征信息,使用交叉反卷积进行解码。通过注意力引导交叉反卷积增强特征语义表达,从而提高分割准确率。在两个公开的数据集上进行了实验验证和评估,所提出的算法在针对腹部图像上的肝脏、左肾、右肾和脾脏的分割,DSC分别为94.05%、90.65%、90.89%和90.99%。（2）提出并实现了一种基于边界增强引导分组旋转双重注意力解码器的图像分割算法。腹部器官图像的自动分割是临床应用中的一项重要任务。然而,由于器官背景的复杂性、边缘模糊导致部分特征丢失,从而使得分割效果不佳。为了解决这些问题,采用分组旋转融合模块初步提取腹部器官图像特征信息。引入边界增强引导分组旋转双重注意力解码器算法,增强器官特征的边界,有效地融合先验信息。通过多分辨率融合的方式,输出高分辨率腹部器官分割图。在两个公开的数据集上进行了实验验证和评估,所提出的算法在针对腹部图像上的肝脏、左肾、右肾和脾脏的分割,DSC分别为94.23%、90.31%、91.28%和91.10%,均优于其它先进算法。结果表明,该算法具有较好的分割性能。