基于能量优化的人体心肺医学图像处理与分析方法研究
摘要
在医学图像处理领域，基于优化的方法以其较高的鲁棒性、灵活的约束添加方式， 越来越受到研究者的重视。基于优化的方法在医学图像分割、医学图像重建、医学图像 语义理解等多个方面取得了令人满意的效果，具有重要的意义。本文以能量优化技术为 核心，以心血管 XRA 医学图像和胸部 CT 图像处理和分析为目标，通过融合医学图像 增强、心血管结构分割、先验模型、信任传递算法等理论和方法，提出了心血管三维重 建、心血管结构标定和肺部结节识别的新方法；并在此基础上，探索从语义及生理参数 获取角度对医学图像的深层理解。本文取得的主要创新研究成果包括：
提出了一种基于能量优化的动态心血管结构并行重建方法 心血管 XRA 成像是心脏介入手术中的常见成像方法，对指导医生手术有着至关重 要的作用。但是， XRA 成像只包含心血管结构的二维投影信息，缺乏血管三维结构的 直观描述。基于多视角心血管 XRA 图像的三维重建试图从有限视角的成像中重建心血 管的三维走形和结构。传统的基于刚性配准的三维重建方法主要关注从图像中获取特征， 并基于获取的特征在多视角图像间进行配准，进而能够确定三维空间中唯一的血管结构。 尽管这类方法能够重建出血管的三维走形，但也存在着多方面的挑战。首先，造影图像 质量不一，很难在多个视角获得高度匹配的特征，并极有可能直接导致配准失败；其次， 刚性配准方法中不能加入先验知识和特定约束，过于依赖某些特征描述；第三，大量候 选特征提取及其刚性配准都涉及大量计算，效率较低。为了克服以上缺点，本文基于能 量优化的方法，将心血管结构所在空间划分为大小相同的体素，并通过定义多个约束项， 将三维结构重建问题转换为一个在约束下求解空间体素能量最小值的问题。本文提出的 方法能够获得在约束条件下的全局最优解，因而对模糊图像和非完整结构都能保持较高 的鲁棒性；此外，借助于 GPU 并行加速，本方法的重建效率也高于传统方法。
提出了一种基于能量优化的心血管结构鲁棒标定及生理信息估计方法 辨别 XRA 图像中的心血管名称、结构，对训练医生以及作为介入手术中的信息提 示都非常重要。当前，对于心血管结构标定的研究大多着眼于基于可变模型或先验知识 的方法，虽然已经取得一些成果，但仍存在很多问题。首先，目前的处理效率相对低下， 难以对医疗机构每天产生的海量数据进行及时处理；其次，针对血管骨架的组织，目前 方法通常都是基于先验知识或者几何结构特征，并不能保证得到全局最优解；最后，在 计算诸如血液流速这样的生理参数时，现有方法要么忽略各个血管段之间的全局关系 仅仅考虑像素级别的差值；要么必须依赖额外的测量设备。这些方法不仅不能合理利用 造影图像中的信息，而且获取方式复杂、精度也很低，达不到实用要求。针对以上问题， 本文提出了一种基于能量优化的心血管结构标定方法，通过定义距离和相似度两个能量 项，将血管标定问题转换为求解具有最小能量的标记序列问题，从而保证获得全局最优 的标记结果；此外，基于 GPU 的并行算法保证了本文方法的处理效率；最后，本文还 通过引入先验结构信息和临近帧之间的关系，对血液流速、血管直径和心动速率进行了 估算，提高了算法的实用性。
提出了一种基于神经网络 优化部 的胸部 CT 肺结节检测方法 肺癌已经成为当前致死人数最多的一类癌症。对肺癌的早期诊断能极大提高病人的 生存率，改善病人的生存条件。肺癌的早期多表现为肺部结节，恶性肺结节有很大的概 率会转化成肺癌。因此，对肺结节进行早期筛选非常必要。传统的肺结节识别方法多使 用显式定义的特征和描述子对结节进行刻画，但是结节大小不一、形态各异、外观差别 较大，这些特征很难对结节进行完整刻画。因此，本文提出了一种基于神经网络优化的 肺部结节识别方法。本文首先基于几何特征和统计特征获取包含范围较大的候选结节区 域；之后将每个结节区域以及每个体素的邻域信息组织成高维向量，输入神经网络进行 训练和判断；接着，基于结节的分布特征，对区域内所有体素对应的神经网络输出值进 行加权求和，作为该区域的分数；通过对每种类型的结节训练对应的网络，最终的并集 能够在尽量减少假阳性结节的前提下提高结节的识别率。在 LIDC 数据集上的验证实验 表明：本文方法在假阳性结节率为 2.0 FPs/case 的情况下，可取得 89.4%的识别率，具有 较高的应用价值。
提出了一种基于多尺度卷积神经网络优化的肺部结节分类方法 肺结节的良恶性和结节的类型密切相关。由于结节的表现类型多样，传统的基于区 域分割的结节类型判断方法经常由于缺失某一断层的三维信息造成误判。因此，本文提 出了一种基于多尺度卷积神经网络优化的肺部结节类型判断方法。首先以正二十面体划 分结节三维空间，并基于每个划分的三角形的重心对原始结节数据进行重采样；然后， 基于 CT 强度值分布估算当前检测的结节大小；之后，根据估算的结节大小，进行基于 正二十面体的中心重采样，并基于高频成分分析确定最佳采样平面；最后，根据估算的 结节大小和最佳采样平面，生成二维结节数据，并送入卷积神经网络进行训练和测试。 在 LIDC 和 ELCAP 数据集上的验证实验表明：本文的方法具有较好的可行性。