摘要
标志点是医学影像中一个重要的解剖学特征，而如何准确、高效地定位标志点则是医学影像领域的一个重要课题。现阶段，基于深度学习的方法在多个医学影像标志点定位任务上都取得了一定的进展，但是，这些方法未能充分利用医学影像中多尺度的特征信息。本文针对现有方法在利用多尺度特征上的不足之处，分别从多尺度分布、多尺度关系、多尺度结构三个角度对传统的U-Net架构进行改进，以实现医学影像标志点定位性能的提升。 首先，本文提出了基于多尺度分布的标志点定位方法。本文在U-Net主干网络的基础上添加了带有协方差预测模块的分支，通过预测标志点分布的协方差矩阵的方式来获取标志点在标注时的不确定性，以提升预测热力图的质量，从而提升定位性能。公开数据集上的实验结果表明，该方法在验证集和测试集的平均径向误差指标上都超过了已有方法，并在较低精度范围的成功检测率指标上达到领先水平，证明了该方法的有效性。 其次，本文提出了基于多尺度关系的标志点定位方法。本文在U-Net主干网络的基础上添加了多相关性融合模块。该模块由结构相关性挖掘模块和特征相关性挖掘模块两部分构成，分别挖掘标志点间的空间结构相关性和特征信息相关性。公开数据集上的实验结果表明，该方法在大部分指标上都超过了已有方法，证明了该方法的优越性。 最后，本文提出了基于多尺度结构的标志点定位方法。本文设计了一个两阶段定位模型，其包含全局定位模块和局部定位模块两部分，前者使用U-Net架构来大致定位标志点的位置并从原图像中切割出图像块，后者则利用切割出的图像块来对预测的标志点位置进行微调。公开数据集上的实验结果表明，该方法在验证集的大部分指标上超过了已有方法，并在测试集的指标上接近现有水平，证明了该方法的有效性。 综上，本文就现有方法的不足之处，从三个角度进行分析和研究，并针对性地提出解决方法。实验结果表明，本文提出的方法均能够提升传统的U-Net模型的性能，并具有优越的标志点检测能力，具有一定的应用价值。
NETL