基于CT序列空间的三维肺部医学影像研究

作     者：金灏东 

作者单位：山东财经大学 

学位级别：硕士

导师姓名：蹇木伟

授予年度：2023年

学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 100214[医学-肿瘤学] 0802[工学-机械工程] 10[医学] 

主      题：肺结节检测 注意力模型 假阳性降低策略 三维卷积神经网络 医学图像处理 

摘      要：癌症是全球公认的主要公共卫生问题之一。在我国,肺癌在各种癌症的发病率和死亡率方面均居首位。研究表明肺结节是大多数肺癌早期的主要临床特征之一,早期的肺结节筛查可以有效地改善肺癌治疗效果,提高患者生存率。与此同时,2023年以来,世界各国进入了新冠(COVID-19)疫情处置的常态化阶段。在临床上,COVID-19患者除了发热或呼吸道症状外,在CT上还会表现为磨玻璃征象,因此将医学影像技术引入COVID-19的筛查中在很大程度上推动了患者以及疑似患者的确诊筛查和及时诊疗。本文在空间序列的三维CT影像上开展了基于卷积神经网络的肺结节检测方法研究,结合临床医学先验知识和CT数据内在特性,以提升肺结节检测的敏感度和稳健性。本文的研究内容和创新点总结如下:(1)临床医生在进行医学诊断时,首先会关注肺结节的视觉对比度线索和轮廓特征,从而定位结节的具体空间位置。根据这一医学临床先验知识,本文提出了一种高效的多任务双分支3D卷积神经网络结构,实现肺结节检测和分割。在双分支结构中,一个分支被设计用于肺结节检测的候选区域提取,另一个合并分支被用于肺结节的病变区域语义分割。本文根据医生的临床诊断视角开发了一个3D注意力加权特征融合模块,从而使所设计的分割分支获得的捕获信息能够进一步相互促进提升各自检测分支的效果。此外,提出了假阳性降低策略,开发了一个三维显著区域汇集层,用于改善产生狭窄感受野的特征图。该策略分享了几个特征提取模块,旨在确保网络拥有一个狭窄的感受野,用于捕捉细致的特征表示。其从本质上区别于区域候选,促进了肺结节检测的稳健性。在常用的医学图像分析数据集上进行了实验和评估,实验对比表明,所设计的框架优于其他典型的主流方法。(2)在传统的临床实践中,由于CT扫描的丰富时空背景信息,医生总是重点关注CT图像的多个连续切片之间的相关性,以确定肺部结节的具体位置从而进行相应疾病诊断。为了在CT扫描中通过自动肺结节检测实现智能辅助诊断,充分利用临床经验的这一独特时空特征,本文开发了一个3D多注意力卷积神经网络,并设计了一个3D多注意力模块来模拟医生的临床诊断过程,该模块利用CT切片的时空视图在多维方向上的注意力增强,旨在从多个方向上整合时空上下文信息。通过OHEM(Online Hard Example Mining)损失计算方法,能够合理的调整阳性与阴性数据的权重,从而解决正负样本数据分布的不均衡问题,并且可以有效地学习到正样本和难分类样本的辨识特征,进而有效提高网络模型的泛化能力和分类准确率。