关键词：
医学图像分割
深度学习
张量分解
轻量化
Transformer
注意力机制
摘要：
智能医疗通过大数据、人工智能、高性能计算等技术,应用临床实验数据,面向临床应用进行多学科交叉和深度融合。医学图像分割是实现智能医疗的基础,在病灶区域定位与识别和制订手术计划等方面起着非常重要的临床意义。临床上对医学图像目标区域手工标注是一件耗时耗力且主观性强的工作,给临床医生手工分割带来了很大挑战。因此,如何自动获得精确、鲁棒的医学图像分割结果是亟待研究的问题。然而,医学图像不同于自然图像,数据量少,同一领域的图像之间具有高度的结构相似性,但在细节方面却有很大的差异性。分割任务中目标区域多变,处理过程相对于自然图像是更加复杂,容易受病变影响,并且伴随着伪影、噪声、对比度低、边缘模糊等特点,还涉及设备精度、病患身体是否配合等非图像方面可控的因素。这些均对医学图像自动精确分割和临床应用提出挑战,因而也成为研究热点。随着深度学习技术的发展,基于卷积神经网络的全自动分割算法目前在医学图像分割领域表现优异。然而,其缺乏对目标全局信息的表达。同时,肿瘤及组织器官类别不平衡和在多模态图像上空间与时间分辨率不同,从而增加了目标对象的复杂多变性。加之,大部分的深度学习模型存在参数量过多、复杂度过高等问题,这些均对医学图像自动精确分割提出了严峻的考验。为解决这些问题,本论文通过融合张量分解与深度学习这两种技术的优势,研究精确、鲁棒、高效的轻量化医学图像分割算法。本论文研究工作及主要进展包括以下四个方面:1)针对卷积神经网络感受野有限很难有效捕捉全局信息的问题,利用Transformer可以捕获长距离依赖关系的特点,提出了一种交叉卷积Transformer(Cross-convolution Transformer,C2former)算法,旨在解决卷积神经网络感受野有限、难以捕捉全局信息的问题。该框架结合了卷积神经网络和Transformer结构,以适应医学图像分割任务。通过在短距离依赖关系上加入具有卷积特性的注意机制,从空间、通道两个层面捕获局部特征。在长距离依赖关系上使用采样自注意,以此捕获不同像素之间的全局特征。利用窗口自注意机制,将长距离和短距离的依赖关系整合再做特征提取,以此增强模型对于图像的局部-全局特征理解。针对三个公开的医学图像数据集进行的实验表明,该方法可以显著提高医学图像分割的精度。2)针对C2former作为一种2D分割方法在处理3D图像时存在的深度信息丢失问题,提出了一种卷积神经网络级联Transformer结构的3D医学图像分割算法。该算法使用了标准Transformer结构中的多头注意机制,通过交叉共享的方式增加了不同头之间的关联性,获取了更多的特征信息,提高了模型的泛化性和准确性。此外,该算法还引入了多层融合模块,在每个层之后进行特征融合,以适应分割目标的多变性特点。为了减小注意力机制的参数量,利用基于Tucker分解的模型压缩技术构建了一个新的注意力机制模型。该算法在四个不同的医学图像分割数据集上进行了评估,包括公开数据集和来自临床的数据集,覆盖多个成像模式。结果表明,本章算法在心脏器官分割、脑肿瘤分割、腹部器官分割、子宫及肿瘤分割方面都取得了较好的分割效果,而且新的注意力机制模型在压缩参数的同时能够保证分割性能相当。3)针对卷积神经网络级联Transformer结构的3D医学图像分割模型存在细节丢失的问题,提出了一种将卷积神经网络和Transformer并行结合的算法。该算法采用共享卷积来减少不必要的参数数量,并允许局部特征和全局特征之间的交互。针对传统的通道注意力机制只是利用的全局平均池化和最低频基底乘积这一特点。本节考虑使用3D-DCT代替全局平均池化,构建一种新的全局注意机制作为跳跃连接全局特征提取模块,用于提取全局特征。为了解决并行结构所带来的额外参数量的问题,采用了张量环分解来对卷积神经网络和Transformer结构分别进行压缩。在压缩过程中,采用自动计算压缩超参数的方式获取压缩参数,经过验证,所提压缩模块能够在压缩参数量的同时,取得和未压缩时相当或更好的结果。实验中采用了四个数据集来对算法进行评估,其中包括三个基准数据集和一个临床数据集,大量实验证明,此算法在不同数据集上均取得较好结果。定量分析表明,所提方法的统计分析结果与临床专家一致。4)对多模态医学图像分割系统的相关临床应用需求进行分析研究,将论文提出的轻量化并行方法进行实现,研发了多模态医学图像分割临床应用系统。整个分割系统分为预处理模块、训练模块、分割及后处理等模块。预处理模块输入原始医学数据,输出可以被分割模块识别的多模态图像格式。分割模块输入预处理后的医学图像数据,输出相应的组织器官或病变分割结果。后处理模块输入分割出来的器官或肿瘤图像,优化分割结果。此外,在实际临床应用中,针对特定疾病或医学任务的需求,可能需要使用自定义的医学影像数据集
