基于统计先验深度监督神经网络模型的医学影像处理关键技术研究

With the rapid development of artificial intelligence technology, medical image processing using deep neural network model is a key component and an effective solution of smart medical treatment. This project mainly studies several key problems in medical image analysis using the statistical priori information based deeply supervised neural network model: (1) Augmentation of effective sample data: to study the method of 2D and 3D image data generation with the guidance of statistical priori information of geometric morphological variations, and to solve the problem of the decline of precision caused by the lack of original samples or the invalid samples; (2) Cascaded deeply supervised neutral network: to construct a cascaded deeply supervised network to improve the effectiveness of network learning influenced by unbalanced data; (3) Lightweight network structure: to study the light weight of the network structure on the premise of ensuring the processing accuracy to reduce the network's dependence on computing and storage resources and provide the foundation for the terminal deployment of the network model; (4) Construction of the prototype system: take the segmentation of liver tumors as an example to complete an extensible deep learning medical image processing prototype system. Through the study of these key points in deep neural network based medical image analysis, we try to solve the problems of validity and real-time in the intelligent medical image analysis system, and offer technical support for the rapid development of smart medical treatment.

随着人工智能技术的高速发展，深度神经网络模型已成为医学影像分析的有效解决途径。本项目研究基于统计先验深度监督神经网络模型在医学影像处理中的几个关键科学问题：（1）有效样本数据扩充：研究具有几何形态变化统计先验信息引导的2D和3D影像数据生成方法，解决由于原始样本不足或生成样本无效造成的精度下降问题；（2）级联深度监督神经网络：针对深度神经网络对不平衡数据学习不充分的问题，构建级联深度监督神经网络，提升网络学习的有效性；（3）网络结构轻量化部署：研究以保证处理精度为前提的网络结构轻量化算法，减少网络对计算与存储资源的依赖，为网络模型的终端部署提供基础；（4）原型系统构建：以肝脏肿瘤分割为例设计可扩展的深度学习医学影像处理原型系统。通过对深度神经网络模型关键科学问题的研究，提高医学影像自动处理的有效性与实时性，促进智慧医疗的发展。

本项目针对医学图像处理问题，主要研究基于统计先验深度监督神经网络模型的医学影像处理关键技术研究，在有效样本数据扩充，级联深度监督神经网络，网络结构轻量化部署等方面展开了一系列的理论研究。针对有效样本数据扩充，提出了基于水平集方法的半自动器官目标分割数据生成、嵌入形状先验信息的神经网络分割模型、透视变换的数据增强等一系列新的理论模型和算法，从数学和认知的角度为解决由于原始样本不足或生成样本无效造成的精度下降问题。深入研究级联深度监督神经网络，提出了一种级联深度监督卷积网络、加权Dice损失函数、预训练策略等方法来提升网络学习的有效性；在网络结构轻量化部署方面，提出了基于单教师/多教师的网络蒸馏方法来减少网络对计算与存储资源的依赖，为网络模型的终端部署提供基础。通过对深度神经网络模型关键科学问题的研究，构建医学影像处理原型系统，提高医学影像自动处理的有效性与实时性，促进智慧医疗的发展。通过本项目的实施，为智能医学图像处理提供理论基础和技术支持。项目资助发表了SCI论文13篇，EI会议论文5篇，获权发明专利4项。多次邀请国际知名专家来校进行学术交流，多人多次参加知名国际会议如ICIP 2019, ICSIP 2019，ICIP 2020，ICASSP 2020等。先后培养了一批优秀的人才，其中已毕业博士1名，硕士8名。