面向多解剖结构和多病灶的糖尿病性视网膜病变图像语义分割方法研究

The number of blind patients resulted by diabetic retinopathy (DR) is increasing in recent years. DR image semantic segmentation can effectively reduce the misdiagnosis rate of DR and lighten the workload of doctors. Based on the actual needs of clinical diagnosis and the novel theories of machine learning, we make a deep research on DR image semantic segmentation. 1) We propose the multi-layer feature and high order conditional random field based DR image semantic segmentation method, which can make full use of the multi-scale features and achieve the precise semantic segmentation of DR image. 2) We propose the DR image semantic segmentation method based on the related knowledge and multi-objective optimization, which can achieve the collaborative optimization of single anatomical structure/lesion segmentation algorithms, and provide a new idea to solve the semantic segmentation problem of DR image by using multi-objective optimization methods. 3) Based on the method of deep learning and weak supervised learning, a semi-supervised learning based DR image semantic segmentation method is proposed, which can make an appropriate tradeoff between the accuracy of DR image semantic segmentation and the difficulty of annotation work. In theory, the research achievements provide new directions for other medical image segmentation research, such as tumor, brain image, etc. In application, the research achievements will be significant in the correct analysis and diagnosis of diabetic retinopathy.

糖尿病性视网膜病变（Diabetic Retinopathy，DR）导致的失明患者数量呈现上升趋势，DR图像语义分割可以有效降低DR的漏/误诊率并减轻医生的工作负担。本项目从临床诊断的实际需求出发，结合机器学习等领域的最新研究进展，探索DR图像语义分割新方法。1）提出基于多层特征和高阶条件随机场的DR图像语义分割方法，利用多尺度解剖结构和病灶特征，实现DR图像的精准语义分割；2）提出基于关联知识库和多目标优化的DR图像语义分割方法，实现单解剖结构/病灶分割算法的协同优化，为使用多目标优化方法解决DR图像语义分割问题提供新思路；3）结合深度学习与弱监督学习方法，提出基于半监督学习的DR图像语义分割方法，在保证DR图像语义分割精度的同时，最大程度地减轻标注工作。理论方面，研究成果为其它医学图像分割研究（如肿瘤、脑图像等）提供新方向。应用方面，研究成果对提高DR诊断的准确性和科学性具有重要意义。

本项目以糖尿病性视网膜病变自动筛查工作为背景，结合机器学习和深度学习等领域的最新研究进展，围绕面向多解剖结构和多病灶的糖尿病性视网膜病变图像语义分割方法开展研究，提出了基于弱监督学习的视神经盘分割方法、基于半监督学习和无监督学习的血管分割方法、基于生成对抗网络和半监督学习的多解剖结构语义分割方法以及基于生成对抗网络和半监督学习的多病灶语义分割方法等，形成了覆盖糖尿病性视网膜病变图像语义分割任务全过程的完备的关键技术体系，能够实现多解剖结构和多病灶的准确语义分割，在保证语义分割精度的同时，最大程度地减轻了标注工作量，有助于提高医学专家的工作效率，为提高糖尿病性视网膜病变筛查工作的智能化水平提供了重要技术支撑。此外，部分研究成果已经成功应用于铝合金金相图像处理与分析，为金属材料微观组织智能分析提供了新方法。基于以上研究成果，撰写学术论文26篇，其中SCI检索12篇；申请国家发明专利6项，其中授权专利3项；培养10名硕士研究生，其中8名已经获得硕士学位，培养3名博士研究生，其中1名已经获得博士学位。