摘要
医学影像作为一种医学诊断工具而被临床医生广泛使用。手动分割医学图像中的目标区域费事费力，因此高效精准的医学图像分割算法的提出在减轻医生工作量、提高疾病诊断效率上扮演着非常重要的角色。然而，不同图像采集设备、成像原理、疾病复杂病因等因素导致医学图像分割仍然存在很大的挑战。本文结合四种医学图像分割难点，设计了一个新颖的医学图像分割方法，其工作如下： 1）针对不同医学图像中存在的分割难点，本文设计了一个自适应多尺度特征聚合和边界细化的分割网络（AdaptiveMulti-scaleFeaturePolymetricandBoundaryRefinementNetwork，MB-Net），来实现医学图像的感兴趣目标区域提取。特别地，本文设计了一个局部特征信息提取模块（LocalFeatureExtractionModule，LFM），通过考虑特征图中每个像素对于目标区域预测的重要性，实现其空间特征信息的提取，进而解决目标区域形态不规则和不连通的问题。此外，本文针对目标区域大小不一的问题，设计了一个自适应多尺度特征聚合模块（AdaptiveMulti-scaleFeatureAggregationModule，AMSFM）。该模块利用了不同大小的感受野对于图像中目标区域感知能力的差异，实现对其目标区域的提取。针对边界模糊问题，本文设计了一个嵌入式的边界细化模块（EmbeddedBoundaryRefinementModule，EBRM），实现其边界信息的学习和校准。此外，为了更好的将模型所提取的特征信息重构，本文设计了一个高低层语义信息联合学习模块（HighandLowLevelSemanticInformationUnitedLearningModule，HLUM），通过考虑编码器中高低层语义信息表征差异，来为分割的重构提供更多细节信息。 2）本文设计了一个新颖的长尾均衡损失函数，它以交叉熵损失函数为框架，通过借鉴长尾分布不平衡数据集的处理方式，以Dice值为分析目标，来充分考虑了数据集中背景与前景的分布不平衡问题。 3）本文首先从两家医院采集了临床侧脑室核磁共振图像（MagneticResonanceImage，MRI），经过数据清洗，最终构建了具有109个病例的多中心侧脑室MRI分割数据集（LV-Seg）。其次，本文在ISIC2018、CHASE_DB1和COVID-SemiSeg数据集上分别从不同的角度进行消融实验，并与先进的分割方法进行实验结果的比较分析。此外，本文结合四个数据集，将MB-Net与主流的分割算法进行实验结果比较。所有的数值结果和可视化结果表明MB-Net总体性能达到最优，这暗示本文所设计的算法在医学图像分割上具有一定的竞争优势。
NETL