基于在线学习的弱标注医学影像病灶诊断算法研究

Computer Aided Diagnosis (CAD) system has important clinical values, as it can greatly reduce the work intensity of doctors and misdiagnosis and missed diagnosis because of human factors. The essence of CAD system is machine learning, which requires a lot of, fine manual annotation training data, this is difficult to achieve in reality. And the doctor's skill and experience, lead to consistent labeling cannot be guaranteed, which limits the application of the system. Nowadays, there are a large number of medical diagnostic reports in major hospitals in China, which can be regarded as weak annotation data. Based on these data the proposal intends to design a new online learning CAD model. The most advantage is that our method can automatically generate labels from weak labelled medical data without accurate manual labeling process, and update the diagnosis model using real-time new medical data. In the aspect of label mining, a topic model based on Maximum Posterior Probability method will be used to obtain multi-class label information. In terms of lesion identification, we will propose an online model of lesion diagnosis, which is based on the low rank constraint, and the convergence of the model is theoretically deduced and proved. We intend to use the endoscopic image data to verify and test these algorithms. The results of our study have a certain versatility, which can be extended to other areas of weak labeling data, and can also be applied to other lesion diagnosis systems.

计算机辅助诊断系统可以从大量医学影像中快速筛查疑似病灶，有助于降低医生工作强度以及误诊、漏诊现象，因此具有重要临床价值。传统辅助诊断算法的性能依赖于大量高质量的医学影像数据，且模型固化不能在线更新；由于数据隐私、医生经验差异等问题，导致很难预先收集大量精细人工标注的医学影像数据。我们研究发现，医院存在大量医疗诊断报告可看成弱标注数据。因此，如何利用海量弱标注大数据，设计具有在线自主学习能力的辅助诊断模型是我们的研究目标。我们拟首先设计基于最大后验的主题模型，从弱标注数据中自动挖掘病灶标签信息；进而提出基于低秩约束的在线病灶诊断模型，并在理论上推导和证明模型解的收敛性；最终利用内窥镜医学影像数据对算法有效性进行测试验证。本课题研究成果的优势是可从弱标注数据中自动挖掘病灶标签信息，不需要医生人工标注，并实现模型在线更新；且研究成果具有一定普适性，可为其他科室的医学影像诊断提供理论参考。

医学图像分析研究属于一种交叉学科研究方向,涉及到计算机科学、医学影像学、细胞病理学等领域知识。本课题研究主要从计算机科学研究角度出发，基于人工智能领域的模式识别与机器学习技术对医学影像病灶诊断算法进行深入研究｡首先我们构建了多种医学图像数据库，包括内窥镜图像、宫颈TCT图像数据库、胚胎细胞图像数据等。针对不精准的人工标注宫颈细胞图像数据，我们设计了基于局部标签点校正的宫颈细胞重叠边缘检测算法，以提高边缘定位的准确性，并减轻人工标注中不同标注者的标注误差。针对帕金森病的诊断和评定问题开展研究，为了诊断帕金森病，并评定帕金森病的等级，我们提出一种基于时间金字塔的时空融合网络帕金森病计算机辅助诊断模型，利用脚底压力数据来诊断帕金森病。同时，我们建立了一个内窥镜数据库并开展了自动分割算法研究，提出了一种新的多尺度纹理引导深度网络模型对内窥镜图像进行分割。针对弱标注的医学图像分割问题，我们构建了基于点标签的弱监督宫颈细胞核分割模型，提出边界残差精细化掩码模型，以提升弱标注细胞核分割算法精度。在为了充分利用多模态下的医学图像，我们提出一种新的基于无监督域适应算法的多模态医疗图像分割方法，设计了一个即插即用域适配模块用于协同图像自适应和特征自适应，利用源域和目标域之间的互利性，进行图像外观变换和域不变特征学习，减少端到端训练中的域移位。