并行架构下基于深度迁移学习的多种模态胰腺肿瘤图像的早期诊断及分析

This project is based on features of the pancreatic pathological images on different models, focusing on enhancing algorithm robustness of recognizing early pancreatic tumor images, and researching on theories and methods which have been used to automatically recognize early pancreatic tumor. Our method can early and effectively diagnose pancreatic tumor with 90% accuracy rate. We also studied on computer science, medical image and statistical science. Under the parallel architecture, different image recognition methods and theories have been reviewed. We plan to build CUDA parallel computing framework to recognize early pancreatic tumor on different modes. Partial least squares regression and multi-organ segmentation algorithm for abdominal images will be applied after acquiring pancreas images using exclusion method. We also attempt to using feature extraction method based on depth migration study, and joint distribution adapter migration study method based on fusion of heterogeneous characteristics. Through developing two-layer sparse auto-encoder neural network and classifier, early pancreatic tumors can be classified and recognized with depth of the extreme learning machine.

本项目旨在以胰腺病理在不同模态临床图像上的特征表现为基础，以实现并提高胰腺早期肿瘤图像识别及算法的鲁棒性为切入点，探索胰腺早期肿瘤的自动识别相关理论与方法，实现胰腺肿瘤有效早期诊断并提高诊断率到90%。基于计算机科学、医学影像学及统计学等相关理论，研究在并行构架下面向多种模态胰腺肿瘤图像识别及早期诊断理论问题、技术方法及其有效算法。拟构建并实现面向多种模态的早期胰腺肿瘤图像的CUDA并行计算框架；拟根据偏最小二乘回归和图割实现腹部图像多器官分割，并采用剔除法获得胰腺图像；探索基于深度迁移学习的特征提取方法，研究基于融合异构特征的联合分布适配迁移学习方法；构建稀疏自编码器神经网络和ELM分类器相结合的网络结构，实现基于深度极限学习机的早期胰腺肿瘤分类识别。

针对目前胰腺癌发病率及死亡率呈明显上升趋势，为了提高胰腺癌患者生存率，克服人工诊断的局限，本项目旨在以胰腺病理在不同模态图像上的特征表现为基础，以实现并提高胰腺早期肿瘤图像识别及算法的鲁棒性为切入点，结合机器学习、计算机视觉及图像处理等领域相关知识，对图像分割、分类、检测及并行计算等方面开展了研究。针对CT和PET单模态图像应用于肿瘤区域分割时存在边缘缺失、分割精度低的问题，提出了一种带约束的随机游走多模态图像分割方法，该方法在肿瘤区域分割上较其他方法具有更高的精确度；由于胰腺的解剖特异性导致深度网络模型容易受到复杂多变背景的干扰及传统U-Net模型实现端到端的分割时精确度不高等问题，提出了结合切片上下文信息的多阶段胰腺定位与分割方法，实现结果表明提出的方法可以有效实现胰腺分割；提出了结合改进U-Net神经网络模型和图割算法的序列图像分割算法，该方法可以有效实现序列图像分割；为了提高深度模型训练效率及单一并行方式易导致模型鲁棒性差等问题，提出了多参数自适应异构并行计算方法，在保持原有深度学习训练效果的同时，能够大幅度提升模型训练效率；针对平扫CT图像中不同病灶间无明显密度差异造成医生难以准确诊断，并且有效训练数据较少易造成过拟合的问题，提出了基于双流网络模型和多重迁移学习的病变分类模型，实验结果表明提出的模型具有更好的分类效果及拟合性；提出了基于吸引排斥粒子群优化算法的双重优化策略的RVFL集成分类器，实验结果表明可以有效实现疾病的准确诊断；针对医学图像标注数据集较小易造成过度拟合问题，提出了特征融合对抗学习网络能够提高病变分类的性能；针对传统检测框架应用于医学影像病变检测准确性不高的问题，提出了一种轻量级的多层无锚框通用病变检测网络，该网络不仅能达到沙漏网络的检测精度，而且有效地利用多尺度信息，从而适应不同大小和形状的病变区域。通过研究医学图像处理相关算法，为诊断医学、手术规划、放射治疗规划及生物医学图像处理等研究积累理论和实践基础。