基于深度学习的颅内肿瘤辅助分析方法研究
文献类型：学位论文
| 作者 | 黄钲
|
| 答辩日期 | 2021-11-18 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 赵忆文 ; 宋国立 |
| 关键词 | 深度学习 颅内肿瘤 辅助诊断 医学图像分析 |
| 学位名称 | 博士 |
| 学位专业 | 模式识别与智能系统 |
| 其他题名 | Research on Deep Learning Based Methods for Computer-aided Brain Tumor Analysis |
| 英文摘要 | 颅内肿瘤是一种发病及致死率较高的疾病，在肿瘤早期阶段，精确地识别颅内肿瘤的类型、级别并据此制定合理的治疗方案有助于提升患者存活率和生存期，具有重大的临床意义。临床上，医生首先根据医学影像和病理等检查结果诊断患者所患颅内肿瘤的类型和级别，并决定是否进行手术治疗或靶向治疗。若需手术切除，则需医生手动勾勒病灶区域；若需靶向治疗，则需通过活检穿刺术获取肿瘤组织并采用基因测序确定缺陷基因；由此，颅内肿瘤诊断、病灶区域勾勒和缺陷基因检测是制定治疗方案的关键。目前，大部分医院通过人工分析获取颅内肿瘤的类型、级别以及病灶区域，效率低下且主观性较强，因此亟需开发颅内肿瘤辅助诊断及病灶辅助分割方法。此外，颅内肿瘤患者的缺陷基因目前只能通过基因测序确定，而基因测序依赖活检穿刺术，是一种侵入式且成本较高的检测手段。与基因测序相比，基于医学影像的缺陷基因检测可以显著降低患者的经济负担并缓解病人痛苦，是一项正在探索中的检测手段，具有广阔的应用前景。虽然颅内肿瘤辅助分析方法已被广泛研究，但是现有颅内肿瘤辅助诊断和病灶辅助分割方法仍然面临数据利用率低，难以提取有效视觉特征，泛化能力不足等问题。此外，基于医学影像检测缺陷基因的相关研究才刚起步，且由于数据集的限制，现有基因缺陷自动检测方法大多基于影像组学和传统机器学习技术，依赖人工特征提取，开发效率低且泛化能力不足。针对以上问题，本文的主要研究内容和创新点如下：（1）颅内肿瘤辅助诊断方法 针对现有颅内肿瘤自动初筛方法忽视数据先验特性从而导致模型泛化能力受限的问题，结合颅脑的近似水平对称先验，将水平翻转差分操作引入深度神经网络提出差分特征图模块以突出颅内肿瘤造成的大脑结构改变，并基于差分特征图模块搭建差分特征神经网络实现高精度颅内肿瘤自动初筛。针对现有颅内肿瘤自动分型和分级方法存在的数据利用率低和忽视颅脑先验结构信息造成的模型泛化能力不足的问题，提出一种自适应多序列融合网络，该网络通过结合多模态深度学习和注意力机制实现多模态脑MRI影像的自适应融合，并再次结合颅脑的近似水平对称性，采用归一化水平差分图像作为空间注意力图使网络关注病灶区域。大量消融实验和对比实验表明差分特征神经网络和自适应多序列融合网络可以显著提升颅内肿瘤自动初筛、分型和分级任务的泛化能力，此外，对网络中间特征图的可视化证明了差分特征神经网络和自适应多序列融合网络的可解释性。（2）颅内肿瘤辅助分割方法 针对脑膜瘤形状和尺寸的多变性，结合膨胀卷积，可变形卷积和残差连接提出残差可变形膨胀卷积金字塔池化模块提升深度网络对脑膜瘤的感知能力，并基于该模块，深度监督机制和U型网络架构搭建脑膜瘤分割网络在大规模数据集上实现脑膜瘤辅助分割。针对现有胶质瘤二分割方法泛化能力不足的问题，重新思考颅脑的近似水平对称性并提出对称注意力机制突出病灶区域，此外，为减小胶质瘤数据集的亮度差异带来的干扰，提出自适应Gamma校正模块，通过结合深度神经网络的自学习机制和传统数字图像处理中的Gamma校正提升网络的光照不变性，基于自适应Gamma校正模块和对称注意力机制搭建GammaNet实现高精度胶质瘤二分割。针对胶质瘤多分割任务，提出组通道注意力网络，引入细节特征组概念并通过细节恢复通路直接从输入图像中提取肿瘤细节，采用组通道注意力模块使网络关注关键特征组和特征通道，并通过多级输入通路提升网络对不同尺寸目标的感知能力。实验结果表明脑膜瘤分割网络，GammaNet和组通道注意力网络分别在脑膜瘤二分割任务，胶质瘤二分割任务和胶质瘤多分割任务上泛化能力最优，且所提出的网络模块有助于提升颅内肿瘤的分割性能。（3）基于脑核磁共振影像的缺陷基因自动检测方法 针对现有1p/19q联合缺失检测方法泛化能力低且依赖人工特征提取的问题，提出双流深度神经网络，结合病灶mask中的形状和尺寸特征以及病灶区域中的纹理和亮度特征提升识别率。提出3D多模态融合网络首次通过深度学习技术探究多模态脑MRI影像与VEGF基因表达水平的关联。实验证明通过多模态脑MRI影像检测1p/19q状态和VEGF基因表达水平的可行性，且双流深度神经网络有助于提升1p/19q联合缺失检测的泛化能力。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 136页 |
| 源URL | [http://ir.sia.cn/handle/173321/30066]  |
| 专题 | 沈阳自动化研究所_机器人学研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 黄钲. 基于深度学习的颅内肿瘤辅助分析方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。