基于联合深度学习的MS和NMOSD辅助诊断研究及应用.pdf

摘要

摘要

MSNMOSD

基于联合深度学习的和辅助诊断研究及应用

MultiplesclerosisMS

多发性硬化（，）和视神经脊髓炎谱系疾病

NeuromyelitisopticalspectrumdisorderNMOSD

（，）均属于中枢神经系统脱髓鞘

疾病，是自身免疫性疾病，具有极高的致残率。这两种疾病的临床症状及影像

学表现具有重叠的特性，诊断鉴别困难。但是，二者的预后和最佳治疗方案不

MSNMOSD

同，甚至治疗的药物如干扰素等会促进的恶化。因此，早期的准

确诊断和及时的干预治疗是改善预后、提高患者生活质量的关键。

MagneticResonanceImagingMRI

核磁共振成像技术（，）因其具有较高的

软组织分辨率，是诊断神经系统疾病的重要方法。由于MS和NMOS

D的多灶性和相似的影像学特征，利用MRI影像人工筛查病灶区域并做出准确

诊断是一项耗时且具有挑战性的工作。近年来，深度学习的蓬勃发展为医学影

像分析和基于影像的计算机辅助诊断带来了巨大变革。尽管目前已有关于MS

和NMOSD病灶分割和疾病分类的相关研究，但现有的模型仅针对单个任务设

计，而忽略了两个任务间潜在的相关性。

针对上述问题，本文提出了一个用于MS和NMOSD病灶分割和疾病分类

的联合模型，利用两个任务之间的相关性，使其以相互引导的方式充分利用数

据中的信息，从而提升各个任务的性能。联合模型主要包括信息共享子网、病

灶分割子网和疾病分类子网三个部分，其中，信息共享子网采用由卷积模块与

SwinTransformer模块构成的双分支结构分别提取局部和全局特征，共享后输入

病灶分割子网和疾病分类子网，同时得到两个任务的结果。此外，为了进一步

增强两个任务间的相互引导，本文提出了两种信息交互方式：一是通过病灶指

导模块（LGM），将病灶分割子网得到的病灶概率图作为先验信息结合到疾病

分类子网，从而帮助分类任务关注于病灶区域，降低其他脑组织的干扰；二是

提出了跨任务损失函数，在分割子网中依据类别可视化机制生成了多层病灶定

位图，将其与病灶分割子网得到的多尺度特征图通过跨任务损失相互监督，以

提升分割子网对于离散点状病灶的定位能力以及分类子网的准确性。同时，病

灶定位图为深度学习模型的诊断过程提供了可解释性。本文将所提出的联合模

i

摘要

型与先进的分类分割模型进行对比实验，结果表明联合模型能够有效提升两个

任务的性能；通过设置消融实验，验证了任务间信息共享和交互方式的有效性。

MSNMOSD

为了将联合模型实际应用于临床工作，本文设计并实现了和医

疗辅助诊断平台，平台包括基础交互模块、病灶分割模块、MS/NMOSD分类模

块和联合诊断模块，从而为医生提供有效的诊断辅助。

关键字：核磁共振影像，计算机辅助诊断，联合学习，病灶分割