基于深度学习的早期肿瘤病灶高精度检测关键算法研究

Computer-aided detection plays a vital role in the early detection of cancers. However, the current deep-learning-based detection algorithms have limited detection accuracy for small objects. Therefore, this project will conduct research on new deep learning methods that is capable to enhance the detection accuracy of small tumor lesions in their early stages; it will include research on preprocessing algorithms for medical images, and that on object detection algorithms. In terms of preprocessing, the project intends to use deep learning models to learn the feature differences between small tumor lesions and noises on the images, to make them capable of removing noises while maintaining feature information of small tumor lesions to the utmost extent. In addition, in order to achieve data augmentation, Generative Adversarial Networks will be utilized to synthesize small tumor lesions that conform to the growth patterns of tumors in medical images, and also enhance the feature information of small lesions in high-dimensional feature space. As for detection algorithms, this project aims to propose new deep learning object detection algorithms that can achieve high detection accuracy for early small tumor lesions. This will be done by first discovering deep learning models that can integrate multi-scale feature information on different dimensions, then designing new methods that can reduce the interference from background information within detection annotations, and also finding new loss functions that are suitable for the accurate detection of small lesions. This is an interdisciplinary project, relating to Artificial Intelligence, Medical Imaging, Oncology, and so on; therefore, it has high academic research value. Furthermore, since the research outcomes of this project will help achieve efficient and accurate early screening for cancers, it has also significant application value and good social benefits.

计算机辅助检测对癌症早期筛查十分重要，然而当前基于深度学习的病灶检测算法对小目标的检测精度有限。本项目将从医疗影像预处理算法和目标检测算法两方面，研究对早期微小肿瘤病灶具有高精度检测能力的深度学习新方法。预处理方面，利用深度学习模型充分学习微小病灶与影像噪声的特征差异，从而在消除噪声的同时最大程度保留微小病灶特征信息；同时利用生成对抗网络在医学影像上合成符合肿瘤生长规律的微小肿瘤病灶，并在高阶特征空间上强化微小病灶特征信息，实现数据增强。目标检测算法方面，探索能多维度全面融合多尺度特征信息的深度学习模型，研究降低检测标注背景信息干扰的方法，发掘适用于微小病灶检测的损失函数，最终构建对早期微小肿瘤病灶具有高精度检测能力的深度学习检测新算法。本项目涉及人工智能、影像医学、肿瘤学等多学科交叉，具有重要的学术价值。本项目成果将帮助实现高效、精准的癌症早期筛查，因此具有重大应用价值和良好的社会效益。

基于医学影像的计算机辅助检测和诊疗对癌症的早期筛查和各种临床疾病的诊断和治疗十分重要。当前基于深度学习的医学影像智能化检测和分析方法对微小病灶的检测和分析能力仍十分有限。因此，本项目从医学影像的高效去噪和增强、高精度医学影像检测和分析、基于强化学习的智能医学影像分析、神经科学启发的影像智能分析和相关扩展应用五方面开展研究。本项目首先提出一系列具有更强去噪和生成式数据增强能力的深度学习去噪和增强新算法，实现了更高效和高质量的医学影像预处理。然后，本项目通过引入高维注意力机制、多尺度特征融合等新方法和新技术，来提升医学影像分析模型对微小特征的细节的学习能力，从而实现高精度的医学影像检测和分析。本项目还从新型内部奖励机制、多智能体分析平台和多任务医学影像自适应优化预处理等方面入手，提出了多个适用于医学影像自动化分析的深度强化学习新方法和新平台。此外，本项目还提出了一系列更具生物合理性的医学影像分析模型学习方法，极大提升了深度学习影像分析模型的生物合理性和可解释性。最后本项目还在相关领域开展扩展研究，并取得一系列研究成果。本项目的研究成果不仅为深度学习、强化学习和医学影像智能分析等领域的研究发展提供了新思路和新方法，还有效提升了基于医学影像的肿瘤早期筛查、肿瘤病灶分割等临床医学任务在智能化影像分析系统上的准确度，为癌症等临床疾病的早期预防、诊断和治疗赢得宝贵时间，因此具有重大理论和应用价值。本项目的研究成果将加快人工智能技术在医疗领域的应用进程，对推动我国智能医学影像诊疗装备高质量发展，提升国家应对突发公共卫生事件的高端装备保障和快速响应能力，实现“健康中国”和“制造强国”重大战略具有重要意义。本项目还对满足人民日益增长的医疗卫生需求、提升人民生活品质和健康水平具有重要意义，有望获得良好的经济和社会效益。最后，本项目研究成果还在推荐系统、智能电网、航空航天等领域具有广泛的应用价值。