基于去中心化生成对抗学习的医学图像小样本分割方法研究

作     者：梁俊钊 

作者单位：华南理工大学 

学位级别：硕士

导师姓名：陈俊颖;范耀军

授予年度：2023年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0836[工学-生物工程] 

主      题：生成对抗学习 数据增广 医学图像 小样本学习 图像分割 

摘      要：虽然基于全监督训练的深度卷积神经网络在自动化图像语义分割任务上取得了巨大的成功,但是在应用到医学图像上时,训练数据由于需要耗费大量的人力和时间成本数量严重下降,因此全监督分割方法的性能也随之下降,无法胜任分割任务。在其他开源数据集上进行训练然后通过网络参数微调或域适应方法在目标数据集上进行应用的无监督方法在训练数据集和目标数据集差异不大时具有一定效果,但是医学图像类型多、纹理和结构差异大,导致无监督方法只能得到次优的结果。而小样本分割方法能够在仅使用少量的标注数据的同时保持良好的分割性能,因此在临床应用上更具有前景。 我们总结出了现有基于生成对抗学习的医学图像小样本分割方法的缺陷:(1)生成图像的真实性和多样性受限于基于中心标注样本的中心化生成方式;(2)标注图像需要属于同一个扫描样本,具有相似的纹理和结构,对此进行标注导致有限手工标注的信息密度低。针对上述缺陷,我们在现有的小样本分割方法上进行改进并提出了新的基于去中心化生成对抗学习的医学图像小样本分割方法。本文提出的算法在生成对抗网络的训练中使用了基于可微变换的数据增广,在图像生成过程中使用了随机向量截断,提高了生成图像的真实性和多样性;在选择生成图像作为标注图像的过程中设置了一个所包含组织种类数量的下限,提高了有限手工标注的信息密度;使用双向特征金字塔网络对表征进行多尺度特征融合处理,并节约了算法所需要的计算资源;使用焦点损失函数,降低了类别不平衡对算法造成的过拟合影响。从而解决了现有算法依赖中心化生成对抗学习和手工标注信息密度低的问题。 首先,我们在两个具有不同纹理和结构的脑部磁共振图像数据集上的多目标小样本分割任务上与现有算法进行了对比实验,提出算法分别在两个数据集上得到了 2.1和3.5个百分点的提升。其次,我们验证了算法的图像和对应标注的生成能力,生成图像在FID指标上相比现有算法下降了 5以上。再次,我们探索了不同算法设置、不同标注量以及各项改进措施对算法的影响。另外,我们还验证了算法的无监督域适应分割性能和在甲状腺超声图像数据集上的适用性。最后,我们验证了图像重映射在医学图像上的不适用性。综上,我们通过多项实验定量和定性地论证了本文提出的算法在多种类型的医学图像上进行小样本单目标或多目标分割的有效性。