摘要
医学图像在医疗领域中扮演着至关重要的角色，它能够为医生提供客观的依据，有助于诊断患者的病情。随着影像学技术的发展，医学图像数量激增，传统的人工处理方式已无法满足现代医学的图像分析需求。因此，深度学习作为新兴的人工智能技术，能够自动分析图像特征，提高医学图像处理的效率，正备受关注。 在基于深度学习的医学图像处理中，检测和分割是两个关键任务，分别负责定位异常区域和分离病变部位，为医生提供更精准的诊断信息。与自然图像不同，医学图像具有高度复杂的特点，如存在大量的干扰和噪声、病变组织的尺度和形态多样，以及低对比度等，导致通用的图像检测和分割算法往往难以胜任复杂的医学图像处理任务。因此，本文针对医学图像的特点，提出一种基于注意力机制的图像检测算法和一种基于多尺度语义表征的图像分割算法，并基于上述算法构建一个医学图像智能处理系统，主要工作如下： (1) 针对医学图像检测任务中存在的大量噪声和无关内容，导致检测过程受到很大干扰的问题，本文提出一种基于注意力机制的医学图像检测算法 FCOS-plus。该算法建立在FCOS算法的架构上，采用Swin Transformer作为骨干网络，通过多头自注意力机制高效地挖掘输入图片的表征信息，并利用滑动窗口的方式建立跨窗口的信息交流，从而充分提取特征的全局和局部信息。同时，设计一种集成通道注意力机制的特征金字塔，以提高图像关键区域的权重，抑制其它区域的无用信息。此外，在算法的末端引入可变形卷积，以增强模型对形状未知目标的建模能力。在肺结核杆菌检测数据集上的实验表明，本文改进算法 FCOS-plus 的平均精度达到85.7%，召回率达到97.8%，比原始FCOS算法分别提高4.9%和2.8%，表明FCOS-plus算法在医学图像检测中具有更好的性能表现。 (2) 针对医学图像分割任务中存在的组织形态特征复杂、尺度大小和几何形状多变的问题，本文提出一种基于多尺度语义表征的医学图像分割算法。该算法首先通过一系列的Res2Net Block提取图片特征，利用其分组残差连接结构，在更细粒度级别表达图片的多尺度特征。为充分利用这些特征，通过空间金字塔池化模块和特征金字塔将不同尺度的特征信息融合，解决分割过程中的细节损失问题。最后，采用 Dice Loss 作为主要的损失函数，计算网络的预测值与真实标签之间的差异，实现对医学图像的像素级分类。实验结果表明，该算法在视网膜血管分割数据集STARE 和 CHASE_DB1 上的 F1 值分别达到 0.8606 和 0.8760，灵敏度分别达到0.8544和0.8745，优于U-Net、R2 U-Net和DUNet等常见语义分割算法，表明本文提出的多尺度算法具有更好的分割效果。 (3) 基于前述两个算法训练的模型，本文采用Model-View-ViewModel软件架构模式设计并开发一款医学图像智能处理系统。针对医生用户的需求，采用 Vue、Express和MySQL等主流开发技术实现患者管理、肺结核杆菌细胞智能检测、视网膜血管自动分割和检查报告管理等系统功能。同时通过功能测试和兼容测试对系统的可用性进行验证，结果表明该系统能够有效地辅助医生进行医学图像的处理。
NETL