基于小标注样本的鼻咽癌CT图像病灶高效率识别研究

The screening of nasopharyngeal carcinoma (NPC), high incidence of cancer in Guangdong, has produced a large number of CT images, but the lack of large-scale expert annotated data limits the application of supervised deep neural network. In addition, learning complex models requires high-performance computing facilities, which further hinders the research and popularization of computer-aided diagnosis system. Therefore, in the deep learning scheme of medical image analysis, the urgent key problem is how to improve the computational efficiency effectively while making full use of the massive unannotated data. The overall target of this project is to realize lesion area recognition with low annotated data dependence and high computational efficiency. This project adopts semi-supervised learning and deep reinforcement learning to research the semi-supervised recognition model, high-performance deep learning algorithm and efficient calculation method of lesion recognition. This project innovatively uses the semi-supervised recognition model based on active learning and self-learning methods to mine the unannotated data information, constructs the feature exploration mechanism of high generalization ability by introducing the concept of hierarchical category classification to achieve high accuracy of multi-sign type joint recognition, and uses artificial intelligence agent to detect lesion area efficiently. The proposed method of lesion recognition with high efficiency and low annotated data dependence may provide key technical support for medical image intelligent analysis with high computing performance and low annotated data dependence.

针对广东高发癌症鼻咽癌的筛查产生了大量CT图像，但因缺少大规模专家标注数据限制了监督式深度神经网络的应用。此外，学习复杂模型需要高性能计算设施，进一步阻碍了计算机辅助诊断的研究和推广。因此在医学图像分析的深度学习方案中，如何充分利用海量未标注数据，同时有效提高计算效率是亟待解决的关键问题。本项目采用半监督学习和深度强化学习，通过对半监督识别模型、高性能深度学习算法和病灶识别的高效率计算方法三项内容的研究，实现低标注数据依赖、高计算效率的病灶区域识别总体目标。本项目创新性地采用基于主动学习和自学习方法的半监督模型充分挖掘未标注数据信息；通过引入层次性范畴分级概念，构建高泛化能力的特征探索机制，实现高准确率的多征象类型联合识别；并利用人工智能体实现高效率的病灶区域检测。本项目提出的高效率低标注数据依赖的病灶区域识别方法，有望为实现高计算性能、低标注数据依赖的医学影像智能分析提供关键技术支撑。

本项目研究面向鼻咽癌图像的智能分析方法，为医生进行鼻咽癌的诊断、治疗提供便利。围绕该目标，在数据集构建、高性能分割、半监督分割、高效率计算等方面进行了研究，重要结果如下：.1.数据集构建方面：构建了包含多模态鼻咽癌影像的科研数据集，具体包括：(1) 809例鼻咽癌患者的MRI图像数据，涉及约25000张图像，约含2000张标注图像。(2) 280例鼻咽癌患者的CT图像数据，涉及约28000张图像，约含4000张具有专家精细三维勾画信息的CT图像。.2.癌区高性能分割方面：(1) 提出了由编解码器网络组成的密集连接深度卷积网络，可从不同层次提取高级语义特征，同时使用低级空间特征获得细粒度的分割掩模，实验结果表明该方法优于基线模型，Dice系数值为0.773，对多尺度肿瘤区域分割具有优势。(2) 提出了基于多窗口重采样和坐标注意力机制的改进YOLOv7模型，实验结果表明该模型提高了医学图像的信息利用率，可更准确地检测鼻咽癌病变区域。(3) 提出了基于空间注意力和残差递归卷积的鼻咽癌MRI全自动分割模型，提高其对微小肿瘤体积的分割能力，在鼻咽癌分割任务上的Dice系数值为0.816。.3.癌区半监督分割方面：(1) 提出了基于师生合作机制和注意力协同分割的鼻咽癌半监督分割方法，平均Dice系数值达到0.872。(2) 提出了基于深度主动学习的弱监督鼻咽癌检测方法，该方法结合了多窗口采样、主动学习和深度学习技术，提高了图像的信息利用率，仅使用20%标注数据可达到使用全部样本训练的深度学习检测器性能的92.6%。.4.癌区高效率分割方面：我们提出了可高效计算的轻量级复合缩放网络，实验结果表明该方法平衡了模型的轻量化和准确性，在0.1s测试时间内实现了较高精度，Dice系数值为0.813，参数量仅为3.55 M。