基于形状统计先验深度能量模型的医学图像分割方法研究

Medical image segmentation is still one of the most fundamental and difficult problems in the research of assisted diagnostic techniques in precision medicine due to the complex conditions such as low contrast, blurred tissue boundaries, overlapped regions, and large variations in tissue morphology. The project focuses on the topic of “medical image segmentation method based on statistical shape prior and deep energy model” and the major research contents include: (1) an accurate and robust multi-organ localization method based on random forest; (2) a variational segmentation model based on the shape region partition and prior in these local regions. (3) a prior-driven deep energy segmentation model using the powerful learning ability of deep learning. Through the research on key problems in the localization and segmentation using prior information, we try to improve the robustness, effectiveness and interpretability of existing segmentation algorithms and offer technical support for the rapid development of smart medical treatment.

医学图像中的对比度低、组织边界模糊、区域重叠交错、组织形态变异大等复杂情况导致图像分割仍然是当前精准医疗辅助诊断技术研究的最根本、最困难的问题之一。项目围绕“基于形状统计先验深度能量模型的医学图像分割方法研究”这一课题展开，主要内容包括：（1）基于随机森林，研究一种准确鲁棒的多器官定位方法；（2）结合形状区域划分策略，研究基于局部区域形状先验的变分分割模型；（3）利用深度学习强大的学习能力，构建先验驱动的深度能量分割模型。通过对先验模型在定位和分割中的关键科学问题研究，提高现有分割算法的鲁棒性、有效性和可解释性，促进智慧医疗的发展。

医学图像中的对比度低、组织边界模糊、区域重叠交错、组织形态变异大等复杂情况导致图像分割仍然是当前精准医疗辅助诊断技术研究的最根本、最困难的问题之一。本课题综合医学影像、数学建模、数字图像处理与分析、人工智能和数值算法等学科的交叉领域，围绕先验驱动的器官定位和分割，通过算法交叉研究，解决现有分割方法中的初始位置敏感、分割效率低和深度学习样本不充分、可解释性差等实际问题，为复杂医学图像中鲁棒性好、准确度高与可靠性强的分割方法提供理论基础和技术方法，为医学图像的智能分析和智慧医疗领域的相关研究起到促进作用。.通过本项目研究，形成如下重要研究成果：（1）基于自适应随机森林的腹部多器官定位方法，（2）形状先验的肝脏分割方法，（3）基于自注意力机制的多模态医学图像分割方法，（4）轻量化多器官医学图像分割方法。这些方法通过对先验模型在定位和分割中的关键科学问题研究，提高现有分割算法的鲁棒性、有效性和可解释性，促进智慧医疗的发展。.随着大数据、人工智能如火如荼的发展，智慧医疗健康可以医学大数据应用需求为牵引，进行辅助诊断研究。同时联合学校和企业优势力量，通过大数据、人工智能、医学影像处理、文本挖掘等交叉学科及技术，基于现有的研究成果，未来可以继续研究基于多模态医疗大数据的肿瘤智能辅助诊断方法，实现“数据—知识—智能”的协同创新，为精准医学研究提供新模型、新方法、新技术。