关键词:
计算机辅助诊断
跨域医学图像分析
跨域自适应学习
深度学习
摘要:
近年来,随着深度学习的发展与崛起,医学图像处理领域迎来了新的发展机遇。深度学习技术的理想场景是存在丰富的标记训练数据,并且要求这些训练数据与测试数据具有相同的特征分布。然而,在实际医疗场景中,由于图像采集设备的种类不同、参数设置不同、型号不同、扫描方式不同等原因,导致医学图像之间存在明显的特征分布差异。深度学习方法因其对数据特征分布的敏感性,在处理具有不同特征分布的跨域医学图像时效果不佳,有时无法直接应用于临床实践中。跨域自适应学习方法的提出有效地解决了深度学习方法对特征分布的依赖问题。然而,由于医学图像跨域分析的数据复杂性和临床应用特性,面向医学图像的跨域自适应学习方法相关研究工作尚未成熟。为了使得深度学习方法能够克服跨域医学图像之间的数据特征分布差异,更好地应用于实际医疗场景中,本文从单模态和多模态两种医学图像出发,对面向医学图像的深度跨域自适应学习方法进行了研究,具体研究内容如下:1.基于域适应度量学习网络的单模态医学图像关键点检测在单模态医学图像跨域关键点检测任务中,现有方法忽略了图像采集过程中因个体姿态差异导致的图像特征分布偏移对模型检测的干扰。为解决上述问题,本文提出了深度一致性度量学习网络(Deep Consistency Metric Learning Network,CMNet),对单模态医学图像之间的语义一致性特征进行学习。CMNet采用多输入网络框架,设计了自适应特征抽取器模块捕获不同输入图像的低维语义特征。将特征映射到改进的特征嵌入子空间中并对特征分布进行相似度量,增强自适应特征抽取器对不同输入图像之间语义一致性特征的抽取。关键点检测器通过对低维语义一致性特征的学习,获取到更准确的关键点位置信息。本研究在自主构建的颈椎X线数据集上进行了实验验证,并与当前主流的医学图像关键点检测方法进行了比较,实验结果表明CMNet能够更好地克服个体间差异,具有最优的解剖标志点检测性能。此外,通过对颈椎运动角度参数的测量进一步验证了CMNet方法在辅助医生进行颈椎运动分析时的临床有效性。2.基于对抗生成域适应网络的多模态医学图像关键点检测在多模态医学图像跨域关键点检测任务中,现有的基于实例生成对抗的跨域自适应方法对生成图像的内容结构一致性关注不足,这对后续针对生成图像的细粒度图像识别任务如关键点检测任务造成了干扰。为解决上述问题,本文提出了深度正则化对抗生成域适应网络(Regularized Cycle-Consistent Generative Adversarial Network,Reg Cycle GAN)。Reg Cycle GAN采用多阶段训练策略:第一阶段,联合优化正则化关键点检测网络和对抗生成网络。在检测网络中引入等效扰动变换模块用于关键点的一致性扰动预测,联合训练对抗生成网络,提高生成图像的内容结构一致性。第二阶段,结合真实图像和生成图像扩展训练集,用于关键点检测网络的最终训练。在多模态二尖瓣内窥镜手术缝合点检测挑战赛Adapt OR的公开数据集上进行验证。实验结果表明,与当前主流方法相比Reg Cycle GAN能够有效地保持生成图像内容结构的一致性,得到了最优的手术缝合点跨域检测结果。Reg Cycle GAN方法能够帮助医生更好地适应真实内窥镜手术环境,提高模拟器内窥镜手术培训效果。3.基于深度自监督对抗域适应网络的多模态医学图像分类在无监督多模态医学图像跨域分类任务中,现有方法不使用任何目标领域的标签信息使得模型分布近似的结果仍向源领域偏移,导致无法对目标领域数据进行准确分类。为解决上述问题,本文提出了深度自监督对抗域适应网络(SelfSupervised Adversarial Domain Adaptive Network,SADAN),无需对目标领域进行额外的人工标注,通过自监督学习和改进的对抗域自适应方法对多模态图像之间的语义一致性特征进行学习。使用自监督旋转代理任务自动生成旋转标签,增强模型对多模态图像之间高维语义一致性特征的学习。提出特征级混合模块,通过判别器对抗式地学习领域软标签,克服不同模态之间较大的特征分布偏移。在公共数据集Ver Se CT和自主构建的X线数据集上进行验证。实验结果表明,与当前主流方法相比SADAN通过对自旋转标签和领域软标签的学习捕获跨域语义一致性特征,具有最优的X线骨质疏松性椎体骨折(Osteoporotic Vertebral Fractures,OVFs)分类性能。SADAN方法能够有效地辅助医生进行OVFs诊断。综上所述,针对当前深度学习方法在处理医学图像跨域分析问题时存在的困难与挑战,本文以克服医学图像领域特征分布差异为切入点,对跨域医学图像识别,跨域语义一致性特征学习和跨域自适应模型构建等方面展开深入研究,具有较强的理论意义和临床应用价值。