【摘要】：醫(yī)學(xué)影像是當(dāng)今臨床醫(yī)學(xué)中極其重要的工具。近年來,隨著各種成像系統(tǒng)的發(fā)展,極大地提升了醫(yī)學(xué)圖像的適用性和重要性,并且產(chǎn)生了大量的醫(yī)學(xué)圖像信息。盡管產(chǎn)生醫(yī)學(xué)圖像的成像系統(tǒng)已經(jīng)有了很大的改進(jìn),但所生成的圖像無一不存在著噪聲。噪聲覆蓋遮掩、并降低了圖像中某些特征的可見性,從而降低了圖像質(zhì)量并影響后續(xù)的應(yīng)用。因此,圖像去噪算法可以提高受到噪聲干擾的圖像的質(zhì)量。另一方面,由于在后續(xù)醫(yī)學(xué)圖像研究中的重要性,醫(yī)學(xué)圖像的目標(biāo)檢測方法算法受到了越來越多的關(guān)注。醫(yī)學(xué)圖像的特征在不同病人之間是不一致的。例如,每個(gè)患者的腫瘤組織的大小、形狀和位置都不相同,甚至在單個(gè)患者的同一張圖像中的兩個(gè)腫瘤也是如此。類似地,它們的相關(guān)性也在變化,醫(yī)學(xué)圖像中的檢測不僅依賴于局部特征,并且依賴于整張圖片的和全局特性。由于這些不同,醫(yī)學(xué)圖像的目標(biāo)檢測是一個(gè)具有挑戰(zhàn)性的問題,有一些目標(biāo)往往會(huì)被醫(yī)生忽略掉。因此,除醫(yī)學(xué)圖像的去噪任務(wù)外,醫(yī)學(xué)圖像的目標(biāo)檢測算法是另一個(gè)值得研究的領(lǐng)域。本工作的重點(diǎn)是醫(yī)學(xué)圖像的去噪和檢測任務(wù)。去噪是醫(yī)學(xué)圖像診斷的第一步,也是至關(guān)重要的一步,而檢測對于后續(xù)的過程(如分割、配準(zhǔn)和診斷)至關(guān)重要。本文第一部分介紹了兩種利用深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行醫(yī)學(xué)圖像去噪的方法。對于底層視覺任務(wù),網(wǎng)絡(luò)的深度是非常關(guān)鍵的。但是,隨著網(wǎng)絡(luò)深度的增加,存在梯度消失的問題,這影響了網(wǎng)絡(luò)的性能。為了解決這一問題,我們提出的第一種去噪技術(shù)是基于殘差學(xué)習(xí)的去噪卷積神經(jīng)網(wǎng)絡(luò)(DCBN-Netr)。我們同時(shí)考慮網(wǎng)絡(luò)深度、學(xué)習(xí)算法和歸一化方法,設(shè)計(jì)了一種前饋去噪CNN。相應(yīng)地,我們采用殘差學(xué)習(xí)方法,使用批量歸一化作為正則化方法對醫(yī)學(xué)圖像進(jìn)行去噪。更具體地說,與大多數(shù)基于CNN的直接學(xué)習(xí)潛在圖像的去噪方法不同,殘差學(xué)習(xí)不學(xué)習(xí)潛在的清晰圖像而是學(xué)習(xí)圖像噪聲,然后無噪聲的圖像使用含噪聲圖像減去估計(jì)的噪聲來得到。在深度網(wǎng)絡(luò)中采用殘差學(xué)習(xí)和批量歸一化技術(shù),既加快了訓(xùn)練過程,也提高升了去噪的性能。實(shí)驗(yàn)結(jié)果表明,該模型將重建圖像的平均質(zhì)量提高了0.1d B至0.9d B。我們提出的第二種技術(shù)通過在CNN中間層引入特征圖平滑約束,創(chuàng)新地提出了一種帶有特征圖平滑約束的去噪網(wǎng)絡(luò)(FMSCD-Net)。首先,我們分析了清晰醫(yī)學(xué)圖像的CNN中間層feature map的統(tǒng)計(jì)特性,驗(yàn)證了中間層feature map具有平滑特性(如梯度特征明顯,以零值為主)。由于噪聲的存在,在醫(yī)學(xué)圖像的特征圖中,這些平滑特性遭到了破壞,在基于CNN的去噪過程中,我們發(fā)現(xiàn)去噪后的圖像質(zhì)量有所退化。為了保持退化圖像的網(wǎng)絡(luò)特征圖的平滑特性,我們引入了一種新的平滑約束。給定一個(gè)feature map,其中的每個(gè)值的平滑性屬性都通過其鄰域像素的加權(quán)求和來保持。這些權(quán)值根據(jù)兩個(gè)連續(xù)的感受野的相似性計(jì)算得到。其次,利用這種平滑約束,我們設(shè)計(jì)了一種直接逼近潛在清晰圖像的端到端網(wǎng)絡(luò)FMSCD。這些受約束的特征圖有助于訓(xùn)練更深的網(wǎng)絡(luò)結(jié)構(gòu),并提高重建圖像的質(zhì)量。最后,我們將殘差學(xué)習(xí)和批量歸一化方法集成到FMSCD中,進(jìn)一步提高了模型的性能。實(shí)驗(yàn)結(jié)果表明,該方法將重建圖像的平均質(zhì)量提高了0.01～1.1d B。論文的第二部分介紹了兩種基于多路徑卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像檢測方法。兩種模型的目標(biāo)都是解決基于肺部CT圖像的肺癌的檢測問題。肺癌是癌癥相關(guān)死亡的主要原因。與其他癌癥一樣,早期篩查是肺癌診斷和治療的重要環(huán)節(jié)。在CT圖像中的存在的肺結(jié)節(jié)并不一定為癌癥,結(jié)節(jié)的形態(tài)、大小和上下文信息都與癌癥有著復(fù)雜的關(guān)系,因此肺癌的篩查需要仔細(xì)分析每一個(gè)可疑結(jié)節(jié),并整合所有結(jié)節(jié)的信息。為了解決這個(gè)問題,在第一個(gè)模型中,我們提出了一種用于肺癌檢測的多路徑卷積神經(jīng)網(wǎng)絡(luò)(MP-CNN)。首先在預(yù)處理階段,我們改進(jìn)了U-Net來生成可疑結(jié)節(jié),生成的結(jié)節(jié)成為第二階段的輸入數(shù)據(jù)。該第二階段中的模型是一種多路徑CNN,其同時(shí)利用局部特征和全局特征用于檢測肺癌。為此,模型使用了三條路徑,每條路徑使用不同的感受野大小,這有助于對長距離的依賴關(guān)系進(jìn)行建模。然后,為了進(jìn)一步優(yōu)化我們的模型性能,我們將這三條路徑產(chǎn)生的特征圖進(jìn)行合并。最后,我們還引入了一個(gè)再訓(xùn)練系統(tǒng)來能夠解決與圖像標(biāo)簽不平衡的問題。最終該模型檢測精度達(dá)到87.8%。第二種肺癌模型是采用高效的特征融合策略設(shè)計(jì)的“先去噪”雙路徑卷積神經(jīng)網(wǎng)絡(luò)(DFD-Net)。首先,利用基于殘差學(xué)習(xí)的去噪網(wǎng)絡(luò)(DCBN-Net)對CT肺掃描圖像進(jìn)行去噪處理。該去噪網(wǎng)絡(luò)由卷積層和批處理歸一化層組成,用于學(xué)習(xí)殘差而不是潛在的原始圖像。之后將去噪后的結(jié)果作為輸入,采用雙路徑卷積神經(jīng)網(wǎng)絡(luò)完成來處理檢測任務(wù)。這兩條具有不同大小感受野的路徑分別用于對局部特性和全局特性建模。第三,為了進(jìn)一步改善模型性能,不同于直接將來自不同CNN層的兩組特征拼接在一起的傳統(tǒng)特征拼接方法,我們引入相關(guān)性判別分析方法來拼接更具代表性的特征。我們發(fā)現(xiàn)這類模型能夠出色地降低圖像中的噪聲,平衡感受野的大小,并且提供更具代表性的特征,使我們的模型更適應(yīng)結(jié)節(jié)形狀和大小的變化。實(shí)驗(yàn)結(jié)果表明,該模型檢測精度達(dá)到88.3%。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：R734.2;TP391.41;TP183


本文編號：2781805