三维CT图像中肝脏肿瘤的计算机辅助诊断方法研究

Computer aided diagnosis of liver tumors from 3D CT images can improve the accuracy of diagnosis, and provide evidences and information for adjustments of treat plans. Tumors and its neighboring organs in liver have similar gray-levels due to the poor quality of CT images. Therefore, it is difficult to locate tumors and extract the features for the classifying tumors into benign and malignant. This project aims to present a computer aided diagnosis of liver tumors which consists of the following stages: 1) Feature extraction. Considering some factors that limit the CT image quality, an adaptive feature learning model is presented to improve the classification accuracy between liver, tumors and the other organs. 2)The fusion between features of tumor and shape features of liver. To achieve a robust classification, the project presents an automatic tumor diagnosis which is based on the fusion of liver shape and tumor features. 3) Revising step. The preliminary diagnosis is not reliable and we introduce a revising step to improve its efficiency. The research will have practice significances in computer aided disease diagnosis and surgery planning, and theory reference values in image processing, especially in feature extraction and image segmentation.

实现三维CT图像中肝脏肿瘤的计算机辅助诊断不但能提高肿瘤的诊断精度，还能为医生调整治疗方案提供依据和参考。由于CT成像的特点，肿瘤与其它肝脏组织外观没有明显的区别，因此不易定位肿瘤并提取相应特征，因而实现肿瘤的良恶性自动判别具有一定的难度。本项目拟提出如下解决方案实现肿瘤的计算机辅助诊断。（1）特征提取：CT图像中肝脏、肿瘤与其周围相邻器官非常相似，因此建立自适应特征学习模型提取出有效特征以实现肝脏、肿瘤的精确分割；（2）肝脏形状特征与肿瘤特征的结合：肿瘤会对肝脏的形状产生一定的影响，为提高肿瘤分类的精度和鲁棒性，提出基于肝脏形状特征和肿瘤特征相结合的肿瘤自动分类方法；（3）对结果的再修正：初次分类结果往往不可靠，因此有必要对其进行修正以提高诊断精度。研究成果将在肝脏肿瘤辅助诊断和手术规划中具有广泛的应用前景，对图像处理中的特征提取和图像分割等经典问题也有参考意义。

肝癌是导致人类死亡的主要癌症之一，肝脏以及肝脏肿瘤的自动分割能为医生的诊断、手术方案的选择以及治疗效果的评估提供有力的支持。CT是临床上肝脏疾病检查的主要影像技术之一，本项目首先以三维CT图像中肝脏以及肝脏肿瘤的自动分割为研究目标，提出了肝脏分割以及肝脏肿瘤分割的方案；其次在临床中医生依靠经验已经对诊断中各类因素的重要性有了一定的认识，本项目接着利用机器学习的方法将医生的这种定性评价推广到定量评价，也就是给出了各诊断因素针对生存分析而言具体的重要程度。. 图像的层间上下文信息是重要的先验信息之一，本项目为了充分挖掘CT图像的层间上下文信息，建立上下文级联式的全卷积神经网络模型实现肝脏的自动分割。该模型通过肝脏粗略分割阶段和肝脏精确分割阶段挖掘CT图像中的有用信息；同时将多通道技术与肝脏能量图相结合提取CT图像中的层间上下文信息。实验结果也验证了本项目方法的有效性。. 卷积神经网络方法在下采样过程中会丢失部分细节信息，且其细节信息和高维语义信息的融合效果不佳。本项目建立了基于深度监督机制的特征融合网络结构实现顺序分割CT图像中的肝脏及肝脏肿瘤。在深度监督网络的基础上加入跳层链接将侧输出层与上采样过程相结合，使得网络结构中前层的细节信息可以有效传递到网络结构的后层，同时建立特征融合模块将细节信息与高维语义信息有机融合，实验表明本项目的方法取得了较好的肝脏肿瘤分割精度，且检出率有着较为明显的提升。. 临床诊断中各类因素针对病人的生存都有不同的作用，有经验的医生能够区分这些因素的重要性并给予适当的取舍。本项目借助机器学习中随机森林方法将这种医生的定性分析推广到定量分析，也就是利用随机森林方法中的变量重要性度量给出临床诊断中各因素具体的重要性程度。该方法能够为医生的诊断、病人预后的评估提供支持和依据。. 综上，本项目的开展为实现计算机辅助诊断系统奠定了理论基础，提供了技术支持。