基于深度学习的医学图像去噪与病理区域分割方法研究.pdf

基于深度学习的医学图像去噪与病理区域分割

方法研究

摘要

在临床诊断肺部疾病时，医生通常依赖胸部CT扫描评估肺部的感染情况。

考虑到中国庞大的患者数量和紧张的医疗资源，以及频繁进行CT检查的患者

群体，为减少辐射对人体的潜在危害，这类人群通常会选择使用低剂量CT扫

描。低剂量CT图像常常伴随噪声干扰，需要研究去噪方法提高图像质量。同

时，应用深度学习网络对CT图像进行病理区域分割，可以有效辅助医生进行

诊断。

本文的主要工作和创新如下：

（1）提出一种基于双重对抗网络的LDCT图像去噪方法。该方法通过联合

学习清晰图像和噪声图像的分布，采用改进的Ghost模块替代传统卷积以减少

网络参数和计算量；引入一个结合对抗损失、感知损失和均绝对偏差的混合损

失函数优化去噪效果。实验结果表明，所提出的方法在保留图像内容和纹理方

面表现较好，PSNR、MDSI、SSIM和GMSD等指标值分别为32.58、0.8578、

0.0592、0.3308，量化指标上均表明有良好的去噪效果，接近常规剂量CT图像

的质量。

（2）提出一种多尺度融合的CT图像病理区域分割方法。使用（1）中改

进的Ghost模块结合混合膨胀卷积替换卷积操作；对于肺部病理区域形状和边

缘不规则、可能存在不连续的病理区域等问题，提出边缘检测桥连接模块；设

计特征融合机制提取解码器多阶段的特征进行融合。实验结果表明，提出的方

法在降低参数量的同时，保证病理区域分割的精度。与基线模型相比，各项指

标分别有1.31%、1.75%、0.02%、2.29%的提高。

（3）为将提出的肺部医学图像处理方法落地，开发医学图像处理平台，该

系统可以帮助医生辅助诊断疾病，提高就诊的效率。

关键词：LDCT去噪，病理区域分割，轻量化，融合机制

I

Researchondenoisingofmedicalimageandsegmentation

ofpathologicalregionbasedondeeplearning

Abstract

Intheclinicaldiagnosisofpulmonarydiseases,doctorstypicallyrelyonchest

CTscanstoassesstheinfectionstatusofthelungs.ConsideringChinaslargepatient

populationandstrainedmedicalresources,aswellasthefrequentCTexamination

patientgroup,toreducepotentialharmfromradiationtothehumanbody,such

patientsoftenoptforlow-doseCT(LDCT)scans.However,LDCTimagesareoften

accompaniedbynoiseinterference,necessitatingtheresearchofdenoisingmethodsto

improveimagequality.Atthesametime,applyingdeeplearningnetworkstosegment

pathologicalareasinstandardCTimagescaneffectivelyassistdoctorsinmaking

diagnoses.

Themainworkandinnovationsofthisthesisareasfollows: