基于部分标注CT影像的腹部多器官及泛癌分割技术的研究

作     者：罗纪超 

作者单位：广州大学 

学位级别：硕士

导师姓名：方刚

授予年度：2024年

学科分类：1001[医学-基础医学(可授医学、理学学位)] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 100106[医学-放射医学] 10[医学] 

主      题：深度学习 多目标分割 腹部器官分割 泛癌分割 半监督学习 

摘      要：癌症已经成为全球主要的致死疾病之一,尤其是位于人体腹部器官的几种常见癌症。及早发现和治疗患癌病灶可以降低患者的死亡风险,并确保医生在手术等治疗过程中对患者进行有效且最小程度的伤害。因此精确分割患者腹部CT扫描中器官轮廓和潜在病灶的自动方法具有重要意义。然而,在实际诊断中,通常需要经验丰富的医生在影像中手工勾画病灶和器官的标注,这需要耗费大量时间和经验。进而迫切需要一种能够自动精准地分割腹部多器官和病灶的方法。 传统的基于深度学习的自动分割方法对数据集的标注要求较高,在高质量数据集上能够取得较好的结果。然而,目前可用的公共数据集由于复杂器官标注难度高,往往只有单一/少数几个器官/肿瘤标注,因此在缺乏手工标注或者手工标注有限的情况下,半监督学习方法能充分发掘不完全标的注数据集。然而,现有的半监督模型同时关注到多个器官会导致总体器官分割精度降低。 针对上述挑战,我们进行了以下两个工作: (1)我们引入了一种自适应学习网络Adapt Net,能够在腹部CT图像的部分标注数据中有效地分割多个器官和肿瘤。Adapt Net由三个关键组件组成:分割网络、伪标签生成网络和自适应控制器。通过自适应控制器动态生成权重,考虑到部分标签和伪标签的平衡,Adapt Net能够高效灵活地从部分标记数据集中学习多个器官和肿瘤的信息。在大规模部分标记数据集(FLARE2023)上验证表明,Adapt Net在13个不同器官和肿瘤分割任务中优于基线方法。在FLARE 2023的最终测试数据集中,我们的方法实现了平均器官DSC和NSD为89.34%和95.26%,肿瘤DSC和NSD为54.59%和40.78%。 (2)基于AdaptNet框架,我们进一步增强模型对小器官和癌变组织的特征发掘和边缘精确分割。我们引入了SAM特征发掘模块和Edge Confidence边缘置信度模块,旨在提升模型对小器官和整体特征的学习,并优化分割结果的边缘精度。方法在FLARE2023独立验证集上取得了平均器官DSC和NSD为88.38%和94.51%,肿瘤DSC和NSD为42.84%和33.54% 这些工作的目标是提供一种在腹部CT图像上自动精准分割器官和病灶的方法,以辅助医生进行精准诊断和治疗决策。