论文部分内容阅读
脑出血(Intracerebral Hemorrhage)通常是指由颅内脑血管疾病所引起的出血,具有极高的发病率及死亡率。计算机断层扫描(Computed Tomography,CT)成像由于其经济、快速且应用广泛,成为了临床上对脑出血进行诊断的金标准。因此对CT图像中的脑出血区域进行准确、及时地定位勾勒可以辅助医生更客观地了解脑出血区域的情况并制定出更好的治疗方案。手动分割脑出血区域要求医生具有丰富的临床诊断经验,而且耗时极长的手动分割会让医生易处于疲劳状态从而导致错误分割,此外临床上的大量病例也给医生带来了巨大的工作量。计算机辅助诊断技术历经数年发展,已能在一些临床诊断情况下辅助医生更加快速准确地做出诊断治疗。但由于临床因素的多样性以及病例的个体差异,出血区域在临床CT图像中表现出了较大的特征差异。其中,多尺度目标的特征表现不仅存在于脑出血患者单一CT切片中,也广泛存在于不同CT切片之间。这无疑给计算机辅助诊断的分割方法带来了极大的挑战。传统的分割方法对于不同的脑出血CT影像需要人为参与提取不同的特征用于分割,需要较多人为的知识干预,而且在鲁棒性上表现也很不理想。近年来深度学习方法由于其强大的自动特征学习表达能力,已在较多领域崭露头角,但是在脑出血领域的表现还有待探索。对此,本文提出了一种多尺度目标均衡学习的卷积神经网络来缓解临床脑出血区域特征之间差异巨大及难以均衡学习的问题。主要工作叙述如下:1)针对CT图像中存在的多尺度脑出血目标,本文提出了一种新型多尺度目标均衡学习网络(Multi-scale Object Equalization Learning Network,MOEL-Net),该网络更全面地考虑了不同尺度脑出血区域分割的不同语义抽象层次需求。首先采用了一个偏好较小脑出血区域学习的浅层语义特征提取模块(Shallow Feature Extraction Module,SFEM)提取能够恰当表达较小目标区域信息的浅层语义特征,然后采用了一个偏好较大脑出血区域学习的深层语义特征提取模块(Deep Feature Extraction Module,DFEM)来提取较深层次的语义信息。特别地,考虑到较大脑出血区域的语义特征较为丰富,为了更好地学习表达其所需的较深层语义特征,本文在DFEM中采用了渐进式的策略实现多层次语义信息提取并通过跳跃连接来将所提取的多层次语义特征传递至DFEM的解码部分,极大地提高了DFEM的特征提取表达能力。然后通过多层语义特征均衡融合模块(Multi-level Semantic Feature Equalization Fusion Module,MSFEFM)将SFEM和DFEM所提取到的不同语义抽象层次的特征进行均衡融合利用,实现对不同尺度出血区域的精准分割。2)本文从多家医院采集了临床脑出血CT扫描影像,并根据病例数据的组成特点构建了两个数据集,分别命名为VMICH和FRICH。其中VMICH包含460个CT病例,每例仅包含首次或复查的CT扫描图像,这种数据的组成使得数据环境更加复杂,也给分割算法带来了更大的挑战。而FRICH共具有480个病例,每例均包括首次和复查CT图像。3)本文在临床数据集上就所提算法进行了大量的实验,表明了所提方法架构的有效性。同时也与主流的11种分割网络进行了实验对比,所展示的实验对比结果说明了本文所述方法的表现要优于11种对比的主流分割网络,更能有效解决数据极不平衡情形下多尺度脑出血区域的均衡学习问题,实现临床CT图像中脑出血区域的精确分割。