面向三维图像分割的深度学习算法研究

With the development of digital camera and medical imaging equipment, 3-dimentional images (e.g., videos and medical images) gradually become a vital part of big data. How to accomplish accurate semantic segmentation of these images are the premise and foundation of further analysis, understanding and application. Using a unified deep learning framework, this project will make full use of the assumption of segmentation continuity to increase the speed of video segmentation by reducing redundant computation, and increase the segmentation accuracy using multi-modal images, attribute data and unlabeled data. On the basis of the existing research work, this project will refine multi-modal fusion and transfer learning method, and design deep segmentation method, fast segmentation method and semi-supervised method for 3-dimensional images. Research results of this project can both enrich the basic theory of machine learning and artificial intelligence, but also provide fast and accurate information support for real-time video analysis and clinical diagnosis. This project has a wealth of academic research and cutting-edge innovation, and important practical value as well.

随着数字摄像头和数字化医疗影像设备的不断进步和丰富，以视频和医学影像为代表的三维图像逐渐成为大数据的重要组成部分，如何精准有效地完成三维图像的语义分割是进一步分析、理解和应用大数据的前提和基础。本项目基于统一的深度学习框架，一方面充分利用分割连续性的假设，减少冗余计算，提升视频分割的计算速度；另一方面结合多模态影像数据、医学属性数据和无标记数据，提高医学影像分割的精度。在现有研究的基础上，着力研究多模态深度融合的门网络技术和迁移学习，重点设计面向三维影像的深度分割算法、面向视频流的快速分割算法和用于深度分割的半监督学习算法。本项目的研究成果既可以丰富机器学习和人工智能的基础理论，又可以为实时视频流分析和临床医生的影像学诊断提供快速准确的信息技术支撑。本项目研究具有丰富的学术前沿性和创新性，具备重要的实际应用价值。

随着数字化医疗影像设备的不断进步和丰富，以医学影像为代表的三维图像逐渐成为大数据的重要组成部分，如何精准有效地完成三维图像的语义分割是进一步分析、理解和应用大数据的前提和基础。本项目基于统一的深度学习框架，一方面充分利用分割连续性的假设，减少冗余计算，提升分割的计算速度；另一方面结合多模态影像数据、医学属性数据和无标记数据，提高医学影像分割的精度。在原有研究的基础上，重点研究了多模态深度融合的门控网络技术和迁移学习，设计了面向三维影像的深度分割算法、假阳性控制算法和用于深度分割的半监督学习算法。本项目的研究成果既可以丰富机器学习和人工智能的基础理论，又可以为临床医生的影像学诊断提供快速准确的信息技术支撑。