像素间关系建模驱动的鲁棒医学图像分割方法研究.pdfVIP

哈尔滨工业大学硕士学位论文

摘要

在医学图像处理领域，对病变区域或解剖结构的精确自动分割技术能够辅

助专业人员进行临床诊断、治疗方案的制定以及预后评估等。通过引入医学图

像自动分割方法，计算机辅助诊疗系统不仅可弥补医生经验的欠缺，提高患者

的诊疗质量，还有助于减轻医生的工作负担，进而提高医疗服务的整体质量。

尽管深度学习技术在各种医学图像分割任务上取得了显著的进展，但由于医学

图像成像环境复杂、患者个体差异较大、病变区域或外形多样等固有特性，分

割结果仍面临着目标结构错误、细节丢失等问题。为提高医学图像分割精准性

的同时保持分割目标结构，本文从模型结构、训练机制两个方面入手，充分探

索医学图像的结构信息，创新性地建模和整合像素间关系，并提升分割模型的

稳定性。

针对传统卷积神经网络受固定感受野限制，对弱边缘和复杂区域识别能力

不足的问题，本文首先提出一种基于高阶亲和力随机游走分的割网络，通过张

量积图扩散学习像素间高阶亲和力关系，将其用于随机游走，实现对原始分割

结果的细化。实验表明，所提出的分割网络可适用于不同的基础分割模型，并

在复杂区域得到更好的分割性能。

更进一步地，针对现有基于逐像素分类的损失函数忽略像素间关系的问

题，本文对分割结果的空间语义不一致性进行评估，并提出一种基于双重语义

一致性的分割网络训练算法，以优化分割网络的训练过程。实验表明，训练后

的分割网络不仅在面对复杂场景或小目标时能够达到较高的分割精度，而且能

够更好地保持分割目标的拓扑完整性。

最后，为提升分割模型的鲁棒性，本文还提出一种基于像素正确分类概率

分布的分割损失函数，通过扩大像素正确和错误分类概率之间的差距提升模型

对像素类别的识别能力。实验表明，所提出的损失函数适用于不同的分割网络，

且通过对预测结果的类别概率分布进行正则化，可显著提升分割性能。

关键词:医学图像分割；关系建模；模型结构；训练机制；鲁棒性

--I

哈尔滨工业大学硕士学位论文

Abstract

Inthefieldofmedicalimageprocessing,accurateautomaticsegmentationof

diseasedareasoranatomicalstructurescanassistprofessionalsinclinicaldiagnosis,

treatmentplanformulationandprognosisassessment.Throughtheintroductionof

automaticsegmentationofmedicalimages,computer-aideddiagnosisandtreatment

systemcannotonlymakeupforthelackofexperienceofdoctors,improvethe

qualityofdiagnosisandtreatmentofpatients,butalsohelptoreducethework

burdenofdoctors,andthusimprovetheoverallqualityofmedicalservices.

Althoughdeeplearningtechnologyhasmaderemarkableprogressinvarious

medicalimagesegmentationtasks,thesegmentationresultsstillfaceproblemssuch

astargetstructureerrorsanddetaillossduetotheinherentcharacteristicsof

complexmedicalimageimagingenvironment,largeindividualdifferencesof

patients,anddiverselesionareasor