基于核磁共振图像的儿童脱髓鞘疾病分类和病灶分割研究

作     者：周德阳 

作者单位：杭州电子科技大学 

学位级别：硕士

导师姓名：曹九稳

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] 0802[工学-机械工程] 100204[医学-神经病学] 10[医学] 

主      题：儿童脱髓鞘疾病分析 核磁共振图像 图像分割 图像分类 特征融合 卷积神经网络 深度学习 

摘      要：中枢神经系统脱髓鞘疾病是一组脑和脊髓以髓鞘破坏或髓鞘脱失为主要特征的疾病,包括急性播散性脑脊髓炎(Acute Disseminated Encephalomyelitis,ADEM)、视神经脊髓炎谱系疾病(Neuromyelitis Optica Spectrum Disorders,NMOSD)和多发性硬化症(Multiple Sclerosis,MS)。临床实践表明,脱髓鞘的各种疾病通过临床症状和影像学检查容易误诊,导致后续治疗失误,有时候甚至加重病情,影响预后。因此,准确的诊断对于儿童脱髓鞘疾病的治疗至关重要。专业的医生通常需要结合临床症状和磁共振成像(Magnetic Resonance Imaging,MRI)诊断技术对患者进行诊断和制定治疗方案,脱髓鞘疾病在MRI的脑白质病变区域具有相似的病变外观、位置分布和信号特征,因此对于临床医生诊断存在一定困难。本文引入深度学习的方法对儿童脱髓鞘疾病分类和病灶分割进行研究,主要创新如下:1.提出了一种基于卷积神经网络的用于儿童脱髓鞘疾病分类与病灶区域分割的模型。该模型继承了医学图像分割基本架构U-Net网络的编码-解码框架,在此基础上对中间层进一步下采样以继续提取深度特征用于正常、ADEM和NMOSD分类。基于分割的方法可以提供像素级别的病灶信息和组织结构信息,如大小和位置,这些信息将更加有利于图像的分类。基于分类的方法可以识别图像内部感兴趣的区域,如大脑的白质区域,这将会促进分割的准确率。两种方法的特征融合不仅能够促进分割任务也能促进分类任务。相比较于已有模型,该方案不仅能够实现分类和分割的联合检测,而且能够分别在分类和分割上取得97.96%和71.1%的准确率。2.提出了一种基于多尺度MRI分割特征融合的脱髓鞘疾病分类模型。该模型是在儿童脱髓鞘疾病分类与病灶区域分割的模型基础上进行深入研究及改进,进一步提升ADEM和NMOSD分类的准确率。在之前网络结构的基础之上,我们进一步融合分割中的特征:将输出的分割图像进行全局最大池化和全局平均池化解决输出维度不匹配的问题,再与下采样中提取的特征进行融合,输出分类结果。另外,针对网络模型训练时正负样本不均衡的问题,设计动态权重损失函数自适应控制来自分割和分类分支的贡献。相比较于已有模型,该方案对ADEM和NMOSD分类能够达到99.19%的准确率。3.开发基于MRI的儿童脱髓鞘疾病检测系统,通过PyQt设计一个GUI界面,将本文所提出的基于卷积神经网络的用于儿童脱髓鞘疾病分类与病灶区域分割模型应用于该检测系统。该系统能够辅助医生对儿童脱髓鞘疾病的分割和分类进行进一步的分析。