摘要
宫颈癌是一种常见的恶性肿瘤，严重威胁着育龄妇女的生命健康。放射治疗作为宫颈癌的主要治疗手段被广泛使用，而放射治疗依赖于医学影像。所谓医学影像，指的是借助某些方式，从外部对人体或部分结构进行“探索”，获取其内部的影像资料的过程。通俗的说，医学图像可视化了人体的内部构造。具有经验的医生通过观察医学图像，找出其病变区域。在放射治疗中，还需精准勾画肿瘤靶区和危及器官，以进行进一步的诊断。所以说，从医学图像中分割出特定的区域对医学的诊断具有重大的意义，恰当的自动分割方法能够使医生从这项重复且枯燥的工作中释放。如今，深度学习技术与神经网络的兴起为生物医学图像的分割开辟出了一个新的方向。本文以女性盆腔区域的核磁共振图像为研究对象，通过分析现有医学图像分割方法存在的缺陷，利用深度神经网络对盆腔区域的部分器官进行分割。 首先，我们从语义信息的表达和空间信息的表达解构常用模型，分别从宏观（网络架构）和微观（网络细节）的角度设计适合盆腔核磁多器官勾画的方法。 宏观上，我们主要关注整体的网络框架，针对目前常用的编码器-解码器模型存在的空间表征能力不足的问题，提出基于空洞卷积的特征复用结构，并在此基础上提出基于复用结构的多尺度特征金字塔网络（Multi-Scale Feature Pyramid Network，MFP-Net）。特征金字塔网络通过不同扩张率的空洞卷积提取不同尺度的编码层特征，并生成不同大小的特征映射，将同样尺寸的特征映射进行拼接以供解码网络使用，在每一次解码过程中，都让网络显式接收来自相同以及更高分辨率的具有强空间信息的编码层特征，从而更充分的利用编码信息，还原空间细节。实验表明，这一网络结构很好的降低了分割中存在的假阳性问题。 微观上，我们重点关注跳跃连接中存在的语义差异问题，我们提出双向交叉注意力机制（Bi＆Cross Attention，BiCA）。在通道维度上，我们提出语义域的概念，用更恰当的方式来描述特征，使不同来源的两个特征在通道的强调上保持一致。在空间维度上，通过学习对象之间的语义流场，使不同来源的两个特征的空间位置对应关系保持一致。两种注意力机制分别作用在不同的输入中，形成双输入双输出的交叉格局，实验表明，BiCA能够有效解决语义的歧义，对于器官的边缘感知能力大大提升。 其次，为了更进一步提高模型分割的性能，我们加入了多模态的数据，并将上面提到的方法进行迁移，提出注意力引导跨模态融合网络，用不同的编码器训练不同的模态特征并通过BiCA调整模态特征间的语义差异。并在此基础上，加入基于KL散度的一致性正则约束，通过监督不同模态的编码特征，使模态间保持一致的训练方向。 最后，我们进行了有效的后处理，以进一步提升整体的分割性能。
NETL