弥漫性肺部阴影CT图像切分算法研究及其计算机辅助诊断应用

With the background of precision medicine and fusion of artificial intelligence and medical healthcare, research on computer-aided diagnosis (CAD) of CT images with lung diseases could relieve reading burden of radiologists and improve diagnostic accuracy. However, there are no mature algorithms that could segment pulmonary structures and opacities accurately for CT images with diffuse lung diseases. This hampers the development of CAD of CT images with lung diseases. In order to resolve this problem, we will research on segmentation algorithms for CT images with diffuse lung opacities : 1) construct an efficient and stable deep network to model pixels inside lungs in order to realize accurate segmentation of lung regions with diffuse lung opacities; 2) train three networks of extracting, deleting and connecting small airways in order to avoid the effects of opacities and noise, and extract airways with small tracheas and fully-connected morphology; 3) learn a texture model of lung opacities by using generative adversarial network and semi-supervised learning in order to realize accurate segmentation of lung opacities when there are fewer training samples. Based on the proposed segmentation algorithms, we will research on quantitative analysis of CT images for chronic obstructive pulmonary disease (COPD), which is the most lethal lung diseases, in order to realize CAD of COPD on CT images.

在精准医疗和人工智能与医疗健康相结合的背景下，研究肺部疾病CT图像的计算机辅助诊断，能够减轻医生诊断负担，提高诊断精度。然而，针对弥漫性阴影CT图像，目前缺乏成熟的肺部组织和病灶阴影的切分算法，阻碍了肺部疾病CT图像计算机辅助诊断的发展。为了解决此问题，本项目开展弥漫性阴影CT图像的切分算法研究：1）建立高效稳定的肺部区域深层网络模型，实现弥漫性阴影下肺部区域的高精度自动切分；2）训练细气管的提取、筛选、连接的网络模型，克服弥漫性阴影和噪声的影响，实现多级且结构完整的气管切分；3）利用生成对抗网络和半监督学习，学习肺部阴影的纹理模型，解决小样本下的阴影切分问题。以这三种切分算法为基础，针对致死率最高的肺部疾病，即慢行阻塞性肺疾病，开展CT图像定量化分析的研究，实现该种肺疾病的CT图像计算机辅助诊断。

肺部疾病会在CT图像上呈现弥漫性肺部阴影，由于阴影繁杂使传统的图像分割算法无法对肺部弥漫性阴影图像进行高精度分割，阻碍了肺部疾病计算机辅助诊断的发展。为解决这一问题，本项目着重研究了基于深层神经网络图像建模的医学图像高精度分割方法。主要研究内容包括：在弥漫性肺部区域分割方面，针对肺部阴影下肺内和肺外不易区分的问题，利用深层卷积神经网络、学习图像边沿信息等，建立了肺部区域分割的深层网络模型，实现了高精度的肺部区域分割；在管状细长物体分割方面，针对物体尺度差异大且细小部分易受噪声和病变干扰的问题，挖掘物体的多尺度信息、深层网络的语义信息，结合多任务间的互补信息等，设计了深层网络结构，实现了管状细长物体的高精度图像分割；在肺内弥漫性阴影区域分割方面，针对不同阴影区分困难和某些阴影数据少且难收集的问题，利用深层网络中的多尺度线索、注意力学习机制、异常检测学习机制等，分别提出了监督学习和无监督学习的阴影分割算法，实现了有一定数据量且有人工标注的高精度肺部阴影分割、以及阴影数据样本少且无人工标注的无监督阴影分割；为抗击新冠疫情和提高肺癌诊疗，利用研制的图像分割算法，开发了新冠肺炎和肺腺癌的CT图像计算机辅助诊断原型系统并进行系统验证，取得了良好结果。此外，利用本项目中积累的技术和经验，还对图像分析中其他深层网络建模问题进行了研究。在本项目的资助下，研究成果发表在IEEE-JBHI、IEEE-TIP、Pattern Recognition、Frontiers in Oncology、MICCAI、CVPR、ACMMM、ICASSP、ICPR等国际期刊和国际会议上，并申请了多项国内和国际专利。以上研究成果，为解决医学图像分割问题提供了较好的理论和算法支撑，具有重要的科学意义和实用价值。未来将依托本项目研究成果，对医学图像计算机辅助诊断中的其他关键问题开展深入研究，将医学图像分割算法实用化。