基于深度学习的医学图像分割方法的研究

作     者：黄和宇 

作者单位：天津工业大学 

学位级别：硕士

导师姓名：杨连贺;张仁杰

授予年度：2022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 语义分割 U-Net 注意力机制 特征反馈 多尺度融合 

摘      要：医学图像分割是计算机辅助诊断系统(CAD)中一项关键又富有挑战性的组成部分,它可以帮助专业医生更直观地了解和掌握病情,为诊断、治疗及预后提供充分的依据。随着深度学习的发展,图像处理技术已经成功地应用于医学图像分割中,其目标是利用神经网络从定义的像素级目标函数中学习辨别性的图像特征,从而分割出医学影像中一些重要和感兴趣的区域。其中,U-Net及其变体的方法已然成为医学图像分割领域中的黄金标准。然而,医学图像受自身属性影响,如类别不平衡和噪声问题,获得理想的分割结果仍然面临巨大的挑战。另外,深度神经网络模型对于医学图像的训练和学习也仍然需要进一步的探索,以往的方法针对医学图像往往像素点的依赖性较低,对于重要辨别性特征的获取存在缺陷,全局信息的丢失和多尺度特征的利用问题也需要得到进一步的改善。因此,本文围绕医学图像分割领域中出现的一些关键问题并结合U-Net框架进行了深入的研究。首先,为了解决医学图像自身类别不平衡和噪声干扰较强所导致的辨别特征提取较难的问题,即网络推理中重要信息被稀释问题,我们提出了一种基于注意力流引导的反馈融合网络结构,充分提取不同层级中特征的辨别性、具有潜在价值的信息,抵制了特征稀释的影响,并且利用注意力机制有效清除了噪声和相似类别的强干扰,将每一层级的高级语义信息做反馈,并高效地结合低级空间信息到主干网络,在跨级的对应特征相互聚合中促进了辨别特征的提取,保证了分割的精确度。其次,我们还认为对于医学图像中的不同尺度和未知的分割目标,以往工作中的多尺度特征融合将不同感受野和尺寸大小的特征图进行简单卷积和直接相加融合是次优的。另外,全局信息在特征推理过程中也没有得以保障,从而导致了分割的不现实和不完整。因此,我们为解决上述问题提出了全局金字塔注意力模块,采用“激活-响应的新方式进行多尺度信息的整合以及全局上下文关系的建模,极大促进了医学图像中不同大小、位置目标的捕获,保证了分割的完整性。