摘要
医学图像分割是实现临床诊断以及手术辅诊的重要基础。在实际临床应用中，医学图像一般存在灰度不均匀、对比度低以及邻接器官边界模糊等问题。更进一步讲，医学图像的各邻接组织区域容易出现像素重叠，并且各器官的形状信息受患者和时序影响而存在较大差异，以上均对医学图像的精确分割造成了极大干扰。本文针对上述局限性，将CT肝脏图像和MRI脑部图像列为研究对象，在总结国内外研究成果的基础上，借助深度学习技术强大的自主特征提取能力，提出了两种基于循环-注意力神经网络的医学图像分割框架。具体研究内容和主要创新概况如下： 1.由于肝脏图像区域边界不明显，肝脏形状信息差异较大，传统图像分割方法和以深度学习为代表的部分分割模型难以实现肝脏区域的精确分割。本文提出了基于形状先验知识和BiConvLSTM的CT肝脏分割方法。首先，采用UNet作为基准网络，融合BiConvLSTM和注意力模块(AttentionGate,AG)作为特征融合模块，可适当缓解像素重叠对分割精度的影响；再利用形状先验网络Shape-Net将肝脏的形状先验模式融入主分割网络，能进一步提升所提方法在形变挑战下的鲁棒性。最后再通过改进的主动轮廓损失函数，有效提升了肝脏分割的精度。该方法在LiTS和3DIRCADb数据集上，与对比方法进行了七种量化指标的比较，实验结果表明了所提方法的有效性。 2.由于局部脑组织中的灰质、白质和脑脊液存在边界模糊问题，并且已有的二维分割方法较少考虑空间信息，这些问题影响了MRI脑图像分割的精度。本文提出了融合HCBAM和BiConvLSTM的MRI脑部图像分割方法。首先，采用VGG16作为基准网络，并在编码阶段嵌入注意力模块(HierarchicalConvolutionalBlockAttentionModule,HCBAM)，能有效缓解脑图像中像素重叠造成的误分割问题；其次，在解码阶段通过融合BiConvLSTM模块获取脑部图像序列的上下文信息，能进一步提升脑图像分割的精度。该方法在成人脑部图像数据集（2013-MRBrainS）以及婴儿脑部图像数据集（2017-iSeg和2019-iSeg）上分别进行了对比实验分析，并且验证了所提方法在脑图像分割上的有效性。
NETL