摘要
精确的医学图像分割结果对于疾病辅助诊断和人类器官组织发育模式等研究有重要的作用。近来的研究表明某些疾病会同时对视网膜和脑组织产生不同程度的影响，基于视网膜和脑图像的组织精确分割结果是对其量化分析的前提，因此，如何获得精确的分割结果并共同研究分析引起了国内外研究者们的兴趣。然而，医学图像分割任务中目标组织结构都比较复杂，容易受病变影响发生拓扑形变，并且伴随着强度对比度低、边缘模糊等特点，这对自动分割算法的性能提出了挑战。融合先验知识能够很好地指导医学图像分割，但目前存在的方法缺乏与先验知识的结合或者结合程度有限。因此，如何将先验知识与神经网络相结合获得准确的医学图像分割结果是值得研究的课题。 本文针对医学图像的自动精确分割问题，研究了如何对不同的分割目标有效地构建先验知识引导，并将其应用在视网膜和脑图像分割任务中。论文的主要工作总结如下： (1)提出了一种基于耦合概率水平集和视网膜结构先验知识的全自动分割框架，精确地检测未知状态下的视网膜层边界。首先采用卷积神经网络模型得到视网膜层的粗糙分割结果，然后通过融合视网膜层预定义顺序和自适应层厚度约束等先验知识，构造了耦合概率水平集函数来得到最终分割结果。为了处理不同状态的视网膜图像，本文进一步设计了视网膜层分割框架，利用强度似然和厚度变化来检测视网膜层中积液是否存在，自动地选择应用全局或局部的强度表征项。实验表明提出的方法可以成功地用于不同病理状态的视网膜层边界检测。 (2)提出了一种基于多尺度自监督学习和脑结构先验知识的分割方法，自动分割带有伪影的多域脑图像。在训练阶段，首先利用下采样图像对分割模型进行训练，以减少原始图像中伪影造成的影响，同时训练一个基于原始空间的分割模型得到组织概率图。然后将分割结果上采样到原始空间中，建立全局解剖指导图融合先验知识。最后将组织概率图和全局解剖指导图作为输入训练最终的分割模型。在测试阶段，提出了迭代自监督学习策略提升分割结果的精度，即从测试样本中选取一组可靠的样本来训练针对此站点的分割模型。实验表明，所提出的方法可以有效地避免伪影带来的影响，得到精确的脑组织分割结果，其性能超过了三种目前广泛应用于脑图像分割的方法。
NETL