基于模型与数据驱动的医学图像分割算法研究与实现

作     者：刘林杰 

作者单位：河北大学 

学位级别：硕士

导师姓名：王光磊

授予年度：2024年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0836[工学-生物工程] 

主      题：医学图像分割 深度学习 注意力机制 Transformer 扩散模型 

摘      要：医学图像的精准分割是医生进行疾病诊断和治疗的关键,但传统分割方法在自动化程度以及精度等方面尚有欠缺。随着深度学习技术的发展,特别是基于卷积和Transformer的各类神经网络的涌现,医学图像分割领域取得了显著的进展。然而,现有多数工作着眼于单一或混合使用两种结构构造神经网络,普遍存在特征信息交互不充分的问题,且分割精度受数据本身质量与规模的限制,难以实现对医学图像中感兴趣结构或病变区域的精确提取。因此,本文从模型和数据驱动两个方向出发,设计了新型智能网络结构,旨在提升医学图像的分割精度。具体研究内容如下: (1)针对多尺度信息交互不充分以及位置信息不足的问题,从模型驱动角度提出了以卷积为基础的新型金字塔通道坐标注意网络。该网络瓶颈层的金字塔通道坐标注意力模块受到了人类视觉皮质神经元机制启发,依照生物视觉的思想,在捕获多尺度的同时兼顾空间方向对于精确位置信息的保留,使特征信息得到充分交互,提升网络分割精度。 (2)针对网络计算内部对局部感知能力与全局上下文信息的交互不充分的局限性,从模型驱动角度提出局部全局信息交互网络。该网络解码器部分以Transformer为基础设计局部全局信息交互注意单元,对来自编码器与跳跃连接的特征图进行逐层重构,精确输出语义分割图。在解码器内部实现特征图局部与全局信息的充分交互,更好的对特征间的依赖关系进行建模。 (3)在医学图像处理领域,尤其是皮肤癌图像分割任务中,数据不平衡与多样性缺乏常导致模型提取信息不足。从模型驱动角度提出了扩散模型辅助皮肤病变分割架构,利用图像生成网络辅助图像分割过程,通过合成高质量图像来扩展数据集的多样性和规模,从根本上解决数据不平衡和缺乏多样性对模型训练的限制。 (4)针对医学影像诊断过程中的效率低下和准确性不足问题,基于本文所提出的算法模型,开发了智能辅助诊断系统。该系统主要由数据管理与存储、数据处理与分析,以及用户交互界面三大部分构成。为用户提供了包括数据导入、图像的自动分割、以及诊断结果的保存等多项功能,旨在为医生和患者带来方便、精确及快速的图像诊断服务,进而提升医疗人员的工作效率。 本文创新性地设计了三种网络结构,从模型与数据驱动两个方向出发,实现医学图像任务的高效和精确分割。模型驱动方面基于卷积和Transformer技术,数据驱动方面则利用扩散模型作为辅助。所开发的网络能够对肝脏、皮肤、胃肠息肉以及肺部数据集进行高质量的图像分割。同时,所开发的智能辅助诊断平台能为临床医生提供精确的图像分割支持,有助于减轻医生的工作负担。