基于半监督学习的脑卒中图像分割算法研究

作     者：周妍 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：李阳

授予年度：2024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：医学图像分割 半监督学习 注意力机制 不确定性估计 

摘      要：脑部病变的自动分割为脑卒中患者的及时诊治提供了可靠的依据,但基于深度学习的高性能自动分割算法依赖大量带有密集标注的数据。医学标注数据昂贵、耗时,通常难以获取,导致可用于训练的标注数据有限,限制了该算法在医学图像分割领域的应用和发展。半监督学习(Semi-Supervised Learning,SSL)方法可通过利用有限的标注数据和大量的未标注数据来缓解这一问题。因此,本文围绕基于半监督学习的脑卒中图像分割方法展开研究,主要研究内容如下: (1)针对密集标注数据稀缺的问题,提出了一种基于校正交叉伪监督的脑卒中病灶分割方法。该方法以3D U-Net为基础架构,通过将数据输入到两个结构相同但初始权重不同的3D U-Net分割网络,将得到的伪分割图用于交叉监督训练分割网络,利用伪标签数据对训练集进行扩展,从而达到利用未标注数据提高分割模型性能的目的。在脑卒中分割任务中,为提高小目标的分割性能,将投影激发(Project and Excite,PE)注意力模块嵌入到分割网络中,结合空间和通道上下文信息对小目标重新校准。由于伪标签存在噪声,影响分割模型性能。因此,设计了一种基于不确定性估计的校正策略,以降低伪标签中的噪声影响。将所提方法在合作医院急性缺血性脑卒中AIS数据集及缺血性脑卒中病灶分割挑战赛ISLES2022数据集上分别进行了评估实验。实验结果表明,所提方法的Dice相似系数在仅有20%标注数据情况下分别达到了67.74%和73.87%,优于其他半监督方法,并具有鲁棒性。 (2)现有的半监督学习方法对于分割目标的轮廓并不友好,低估了几何先验信息的重要性,并且大部分是在单病种的数据集上进行实验,缺乏通用性研究。针对上述问题,提出了结合形状感知与注意力机制的交叉一致性正则化方法。该方法以V-Net为基础架构,通过在V-Net解码器的最后添加了一层形状感知回归层,以利用针对分割目标的几何先验信息约束来提升模型对分割样本的学习能力。通过构建模型扰动与任务扰动,最小化网络中分割任务和回归任务之间的一致性来增强网络的分割精度以及通用性。在分割网络中嵌入注意力机制进一步提升分割模型性能。将所提出的方法在缺血性脑卒中分割挑战赛公开数据集ISLES2022、左心房分割挑战赛公开数据集LA和脑肿瘤分割挑战赛公开数据集Bra TS2019上进行训练测试。所提方法在仅有20%标注数据情况下,在三个数据集上的Dice相似系数分别达到了74.15%、89.33%和85.32%,优于其他半监督方法,验证了其具有一定的通用性。