面向心血管疾病的心脏智能分割算法研究
作者单位:电子科技大学
学位级别:硕士
导师姓名:秦志光
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] 100201[医学-内科学(含:心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 0802[工学-机械工程] 10[医学]
主 题:深度学习 全心脏分割 模态迁移 生成对抗训练 注意力机制
摘 要:近年来,心血管疾病已成为了全球人民的首要死因,占据了全球各地死亡人数的三分之一。在目前的临床医疗中,全心脏分割是医生诊断和治疗心血管疾病的重要步骤。但由于训练样本的稀缺性、心脏结构形状的变化性以及不同子结构间边界的模糊性,全心脏分割仍面临着诸多挑战。在此背景下,本文针对医学领域中广泛使用的心脏CT图像,进行了心脏智能分割算法的研究,提出了一种用于全心脏分割的具有跨模态域迁移学习的级联框架CM-Tran Ca F,主要工作如下:(1)进行了全心脏分割算法的研究,提出了U形多注意网络MAUNet。该算法采用UNet架构,为了解决大量的背景像素点影响分割准确性的问题,本文在MAUNet跳跃连接处加入注意门控机制AGs来抑制背景像素点的激活,其次为了解决子结构间边界模糊问题,本文在MAUNet最底层加入位置注意机制PAB,聚合相似特征。最后为了利用心脏不同子结构间的解剖学信息,本文使用空间配置网络SCN对分割结果进行精调。(2)进行了三维医学图像模态迁移算法的研究,提出了模态迁移网络MTN,将MAUNet与MTN级联,提出了一种用于全心脏分割的具有跨模态域迁移学习的级联框架CM-Tran Ca F。为了充分利用不同模态数据提供的多层面信息,本文考虑到同时利用CT和MRI图像对心脏组织进行分割。MTN能对不同模态图像的数据分布进行统一,将MRI图像从MRI域迁移到CT域,将不同模态的数据应用到心脏CT图像的分割中,扩充训练集,进一步提高全心脏分割结果。(3)实现了心血管疾病智能辅助诊断系统。该系统的实现基于本文所提出的CM-Tran Ca F算法框架,该系统支持用户在线浏览心脏图像,并且能够通过远程服务器调取训练好的模型来即时获得心脏图像的分割结果,并通过可视化界面予以展示。从临床的层面肯定了本文算法的价值以及应用前景。最后,本文在MM-WHS挑战赛的测试数据集上对CM-Tran Ca F的性能进行了评估,实验的平均Dice指数为0.911,平均Jaccard指数为0.837,平均豪斯多夫距离为14.386,其中对右心房、左心室心肌和肺动脉的分割精度达到了目前最高。