基于深度学习的子宫腺肌瘤超声图像分割方法研究.pdf

摘要 子宫腺肌瘤是一种病发于子宫内的常见疾病，其病状与痛感严重困扰了当 代女性的身心健康。而超声检查因其无损和价低等优势被作为临床妇科疾病诊 断的主要影像学方法，经常用于子宫类疾病的初期筛查和术后诊疗中。伴随着 深度学习领域的不断发展，与医学领域的交叉研究也在蓬勃发展，计算机辅助 诊断系统也将逐步被广泛应用到临床医学领域。 由于超声图像的自身噪声和伪影等缺点，严重限制了其在人工智能图像分 割领域的发展。不同于体内浅表层疾病，腹腔内的超声肿瘤图像边界不清、干 扰较大也给分割造成难度。为解决上述问题，同时减轻医师的工作负担，满足 临床诊断快速高效的需求，本课题在子宫腺肌瘤超声图像分割方向进行尝试， 填补深度学习在此领域应用的空白。使用来自北京市妇产医院的超声仪器采集 的200 多名子宫腺肌瘤患者的近1600 张超声影像，对病灶影像进行标注和预处 理，构建子宫腺肌瘤超声数据集。随后进行了以下研究： 首先，针对传统图像分割方法的不足，本文分别设计两种不同的深度学习 方法实现对子宫腺肌瘤的分割。使用Deeplab 模型，通过空洞卷积算法和全连 接CRF 来优化病灶边缘细节信息，并对比两种语义分割网络得到最优的结果。 使用Mask RCNN 实例分割模型，通过ResNet 结构来有效提取特征，结合RPN 网 络实现特征的有效利用并融合，并不断对网络训练进行优化，实现了对病灶区 域的精细化分割，实验论证两种模型在医学图像分割方面的精准度与可行性。 其次，基于上述的模型算法，基于PyQt 框架的GUI 界面设计搭建子宫腺肌 瘤病灶分割系统，设计一个交互式、便捷的医学图像辅助分割系统界面，辅助 医师快速分割病灶，为手术前后的效果评估提供数值依据。 最后，本文提出将基于深度学习的子宫腺肌瘤超声图像分割算法引入HIFU 消融技术的疗效评估中，因HIFU 治疗后病灶区域并不会完全消失，需通过图像 对其消融率进行计算。因此基于前文模型得到的测试集结果，根据临床诊断需 求对其消融率进行跟踪计算，进而从临床应用角度验证了模型的实用性价值， 做到深度学习与医学图像分割领域的交叉应用，证明了其广泛的应用前景。 关键词：深度学习,计算机辅助诊断,超声图像分割,HIFU 治疗,子宫腺肌瘤 Abstract Adenomyoma is a disease that exists in the muscular layer of the uterus. Its clinical symptoms and the pain have seriously troubled women's physical and mental health. Ultrasound examination is used as the main imaging method for the diagnosis of clinical gynecological diseases due to its advantages of non-destructive and low price. It is often used in the initial screening of uterine diseases and postoperative diagnosis. With the continuous development of deep learning, cross-research with the medical field is also booming, and computer-aided diagnosis systems will gradually be widely used in clinical medicine. Due to the shortcomings of the noise and artifacts of the ultrasound image, its development in the field of artificial intelligence image segmentation is severely limited. Different from the superficial diseases in the body, the