基于深度学习的颅内出血CT图像辅助诊断研究

作     者：时心怡 

作者单位：重庆理工大学 

学位级别：硕士

导师姓名：肖汉光

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 100204[医学-神经病学] 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）] 10[医学] 

主      题：颅内出血 医学图像分割 卷积神经网络 半监督学习 出血量估算 

摘      要：颅内出血(Intracranial hemorrhage,ICH)是常见的心脑血管疾病,每年全球约200万～300万人发病,占所有新发卒中的15%左右。考虑到在发病30天内病死率高达35%～52%,仅有20%的患者才可以逐渐恢复自理能力,往往预后较差。因此,在发病急性期对患者进行快速诊断和治疗干涉有利于缓解患者病情,大幅度降低患者致残率、死亡率。然而由于临床上仅靠有经验的放射科医生进行主观诊断,诊断效率低下。因此,本文旨在利用计算机辅助诊断的一系列基于深度学习的医学图像处理方法来高效辅助医生的诊断过程,保证精准医疗的应用。具体研究内容与创新点如下: (1)提出了一种基于深监督的可变形-混合注意力颅内出血CT图像分割网络DFMA-ICH。该模型从改进U-Net分割网络角度入手,提出了注意力校正模块ARRM、特征融合模块MFFM与混合注意力方法,结合深度监督分支与可变形卷积联合改善了小目标出血病灶分割困难的问题。针对自发型ICH数据和创伤型ICH数据差异特点,以迁移学习的方式将模型拓展到创伤型ICH数据上,实现了多种复杂亚型的精准分割,在自发型ICH数据集上达到了86.03%的DSC,在创伤型ICH数据集上达到了80.98%的DSC,并有着最低的时间、空间成本开销,在多个方面表现最优。 (2)提出了一种基于半监督学习的颅内出血CT图像分割网络MT-UP。该模型分为内部分割模型与外部半监督训练模型,其中内部分割模型为DFMA-ICH,外部模型基于Mean-Teacher模型的集成训练方式进行改进。设计了内部的多尺度一致性损失函数与不确定度,结合外部教师和学生模型预测产生的一致性损失构成了最后的无监督损失。MT-UP模型在包含五种亚型的ICH数据集上表现出了最好的分割性能,达到了83.24%的DSC,有效缓解了颅内出血分割数据集稀少的问题。 (3)提出了一种基于改进分割模型的颅内出血CT图像体积量化算法Count Pixels,并基于VTK库实现了病灶的三维重建可视化功能。该算法基于分割模型DFMA-ICH,将预测的分割掩膜进行逐层像素点加和;考虑到不同亚型的出血在层间分布各异,将层间的出血量近似看作线性变化,以减少测量误差。采用四类临床统计方法(正态性检验、一致性分析、显著性检验和误差检验)将Count Pixels方法与金标准方法、临床上十种出血量公式估算法得到的出血量进行对比检验。结果表明Count Pixels算法与金标准结果一致性最强,并且单个病人的平均推理速度也远超其他方法。使用高斯平滑对三维重建效果进行了优化,该可视化功能进一步完善了本研究端到端的辅助诊断流程,证明了基于深度学习的出血量估算方法与传统算法相比的巨大优越性。