摘要
随着医疗影像学与计算机诊断技术的不断进步，医学图像标志点定位不仅仅是患者诊断和治疗计划的先决条件，也是包括图像配准、图像分割、病理诊断和治疗规划在内诸多医学影像分析应用的基础。然而，目前的医学影像分析实践中医学标志点通常是手动或半手动定位的，这既繁琐又费时，而且容易出现失误；此外由于人体解剖结构和外观的差异性，极有可能在某个结构的多个局部部位出现相像的标志点，使得精确而鲁棒的识别医学标志点变得充满挑战性。因此，医学影像标志点的自动检测成为医学图像研究领域中一个重要的研究方向。 结合实际医学应用场景的需要，本文基于多尺度特征融合的研究方法对医学标志点的二维位置定位方法展开深入研究，针对头颅影像标志点与膝盖影像标志点两种医学数据集共同具有的局部相似性与定位精确性问题以及每种数据集各自的特点进行了设计，主要工作与贡献如下： 针对头颅影像标志点定位中医学标志点数据集少的难题，提出了一种改进的基于注意力门机制的特征融合网络AIW-Net(Attention-Inverted-WNet)。该网络的特征提取部分采用经过自然图像预训练的轻量级网络MobileNetV2，在保持相同预测精度的同时显著减少了参数数目。中间模块包括上采样与下采样两条路径，在下采样路径中采用改进的倒残差模块弥补了图像分辨率逐渐减小而丢失的特征信息。最后在解码器模块中引入了从粗到细的中间监督，将得到的多个尺度热图与特征图进行融合，并在跳跃连接中使用注意力门机制有效抑制了特征图中背景区域响应。通过在ISBI2015GrandChallenge比赛基准数据集上的测试，表明了该模型具有较高的检测精度与实用性。 针对膝盖影像标志点定位中沙漏网络在训练过程中容易丢失图像底层细节信息的问题，提出了一种改进堆叠沙漏网络与投票回归机制的膝盖标志点自动检测算法。首先采用改进的空洞空间金字塔池化模块（ASPP）完成特征的预提取，通过扩大网络的感受野有效保留了高分辨率下的全局信息。然后，在特征提取与融合阶段采用沙漏网络完成了多级特征信息的获取，并在通道连接中引入基于坐标注意力的残差结构，有效捕获了低分辨率下的局部位置信息与通道信息，完成困难标志点的精细定位。最后，在预测阶段中引入加权像素级投票回归机制回归了最高分辨率下的热图以及X、Y两个维度下的偏移图。通过在OA医学关键点数据集上的测试，验证了该模型的有效性。
NETL