摘要
大脑是人类神经系统中最高级的部分，主导着人体一系列的生命活动。大脑的相关病变往往具有高致病率、高复发率、高致残率和高致命率等特点，因此脑部相关疾病的诊断与治疗具有较高的研究价值。核磁共振成像（ Magnetic Resonance Imaging，MRI）技术具有较高的软组织分辨率，同时依靠多序列、多参数、多平面成像等优势，可以从不同的角度清楚地显示患者体内的病变的具体细节，成为了一种常用的临床检查方式。 不同模态的 MRI 数据可以从不同角度反映出患者脑部不同的信息，如何利用计算机辅助处理这些数据成为了近年来重点研究的领域之一。深度学习（Deep Learning，DL）技术作为人工智能（Artificial Intelligence，AI）领域的分支，依靠其强大的学习能力被广泛应用到医疗影像处理领域。但是由于疾病种类的复杂性、医学伦理以及数据标注成本高等问题，使得部分疾病数据存在样本量少、缺少病灶位置标记等问题。此外，深度学习模型的可解释性也成为其在实际医疗场景中应用的重点问题。为此，本文主要聚焦于深度学习模型在 MRI 影像处理领域的热点问题，包括如何构建多模态数据之间的关联、如何通过参数共享建立高效的多任务模型、如何在小样本下解决相似疾病的分类问题以及如何通过弱监督的病灶定位以更好地解释深度模型的诊断过程。 本文研究的第一部分探讨的是如何在样本量较少的情况下建立高效的深度学习网络。视神经脊髓炎谱系疾病（Neuromyelitis Optica Spectrum Disorder， NMOSD）与多发性硬化（Multiple sclerosis，MS）都是影响患者中枢系统的自身免疫性疾病，由于两种疾病的脑部病灶分布较为相似，导致以往研究中二者的深度学习诊断模型的性能有待提升。此外，以往的深度学习研究还因其无法可视的诊断过程，使得模型的可靠性受限。为此，本文第3章提出一种基于对病灶分布概率编码的诊断模型（Lesion Possibility Vector Network，LPVNet）用于NMOSD与 MS 患者的分类。针对两种疾病样本量较少且脑部病灶分布相似的特点， LPVNet利用二维的卷积神经网络提取病灶的细节纹理特征，然后再利用全连接神经网络提取病灶的分布特征，为利用二维模型处理三维数据提供了一种新思路。实验结果表明，LPVNet相比传统三维深度学习模型降低了56.6%的诊断错误率，高于资深放射科医生的诊断能力。此外，得益于LPVNet编码器-分类器的特殊结构，可以依据分类器的权重将模型的推理过程可视化，本文并进一步验证了可视化的正确性。 本文的第二部分探讨的是如何在弱监督的情况下对 MRI 影像中的病灶进行定位。近些年来深度学习模型在多种应用场景都展现出了良好的性能。但是，相关研究者并不仅仅满足于构建高性能的深度学习模型，而且关心模型的诊断过程。由于深度学习算法不可解释的特性，使其在医疗相关领域的实际应用受到了限制。此外，医疗影像数据还面临着标记成本较高的问题，因此许多疾病数据集缺少病灶具体位置的标注信息。为了进一步丰富本文第一部分工作中编码器的视觉可解释性，本文在第4章提出一种基于弱监督的病灶定位方法（Lesion Class Activation Mapping，Lesion-CAM）。通过弱监督对病灶进行定位，不但能够在没有病灶位置标记的前提下对 MRI 影像中的病灶进行初步定位，还能为深度学习模型提供视觉可解释性。Lesion-CAM通过融合有病灶类别的正梯度信息和无病灶类别的负梯度信息到达了更好的病灶定位效果。实验结果表明，Lesion-CAM相比于以往基于梯度的可视化方法具有更好的病灶定位效果与视觉可解释性。 本文研究的第三部分探讨的是如何建立不同模态的 MRI 影像数据与基因型突变状态数据之间的关系。MRI 成像技术可以通过调整不同的参数得到不同模态的 MRI 影像数据，这些数据可以从不同角度反映出患者器官的不同状态。此外，患者特定基因突变状态的改变也对疾病的诊断与治疗有着重要的影响。以往研究证明可以利用患者的影像特征去预测患者的基因型突变状态，但是还存在任务单一、依赖手工特征和预测能力有待提高等问题。针对脑胶质瘤疾病，本文第5章提出了一个多任务模型（Segmentation and Gene Prediction Network，SGPNet），通过融合多模态 MRI 影像同时对患者的脑部病灶分割与其异柠檬酸脱氢酶（Isocitrate Dehydrogenase，IDH）基因突变状态的预测。SGPNet以U型结构作为其模型的主干网络，并针对病灶分割与 IDH 突变状态预测这两个任务设计了不同的输出模块。通过主干网络的参数共享与扩展通道中多层次的特征提取使得模型展现出更高的学习能力，SGPNet相比以往研究降低了26.6%的IDH突变状态预测错误率。此外，本文还继续探讨了病灶区域的影像特征对于 IDH 基因型预测的影响，增加了模型的可信度。 为了进一步提高本文中深度学习模型的可靠性，本文从多角度探究了模型的可解释性。其中，在第3章中依靠模型的特殊结构，通过对分类器的权重可视化提供了推理过程的可解释性；在第4章中通过基于弱监督的病灶定位方法进一步丰富了深度学习模型的视觉可解释性；在第5章中通过设置不同的训练目标来验证影像学特征对基因型预测的影响。本文中的研究工作具有较强的理论意义与实际临床应用价值，为未来进一步研究工作中构建更精准的多模态计算机辅助诊断模型提供了良好的工作基础。
NETL