腹部医学图像分割中可计算变分建模及在肝癌术前评估中的应用

The segmentation of the liver including tumors and vessels from multi-phase contrast enhanced CT and MR images is a challenging problem in image processing. However, current methods mainly focus on single tissue segmentation from a single phase in a single modality, which generates segmentation results lacking of anatomical meaning. The widely used variational methods endures the bottleneck of segmentation tissues from medical images with complex content, as they are restricted to segment simple images with the assumption of piecewise smooth. This project is to conduct the research of computable variational modeling and fast algorithms based on the combination of the nature of anatomical mechanism and medical data structures, through considering the key problems in the computer assisted intervention of liver cancer as application background. On three key scientific problems of variational models for the segmentation of abdominal images with complex backgrounds, co-segmentation from multi-phase and multi-modality images, and rapid optimization of energy functional with complex constraints, this project is to construct new methods for the segmentation liver, tumor and vessel by solving the key problems in the constructions of segmentation assumption on the complex content of abdominal images, the incorporation of anatomical and local geometrical constraints in variational model, co-segmentation from multi-phase and multi-modality images, and the fast optimization of variational models with complex constraints. Besides, we are to promote the fast application to clinical treatments by establishing a comprehensive validation and evaluation system.

多期增强腹部CT和MR图像中肝脏、肿瘤及血管的分割是当前图像处理中一个具有挑战性的问题。当前的分割方法主要是单模态、单种类图像中的单个器官/组织分割，分割效果往往不佳而且缺乏医学解剖意义。基于变分能量的分割方法在处理内容复杂的医学图像存在理论瓶颈，主要局限于分片光滑等简单图像函数类的分割。本项目以肝癌手术评估规划中的关键问题为应用背景，开展腹部医学图像中基于解剖机理和复杂数据特性的可计算变分建模和快速计算方法的研究。围绕带有复杂背景的腹部图像分割的变分建模方法、多期与多模态腹部图像联合分割方法以及带有复杂约束的变分分割模型的快速优化方法设计三个关键科学问题，突破复杂腹部图像类的建模假设建立、局部几何约束及解剖结构约束模型建立、多期与多模态腹部图像的联合分割、带有复杂约束的变分模型的快速算法设计等关键技术，建立肝脏组织分割的新思路和新方法，并搭建面向快速临床应用的综合验证评价体系。

医学图像中器官或组织的分割是当前图像处理中一个具有挑战性的问题，也是医学图像分析的一个根本性问题，难点在于目标组织的背景负责，边界缺失、含有肿瘤以及多模态数据等。针对这些问题，本项目提出了一系列复杂背景中，特别是针对肝中存在肿瘤的情况下，肝脏的分割方法；这一系列工作中我们还考虑了器官间的结构关系约束、局部几何约束、模型算法设计。具体地，本项目提出了 1) 基于多个区域表征模型的病变肝脏分割方发，成果发表在著名的Medical Physics期刊上；2) 提出了基于深度全卷积神经网络和图割方法的肝组织自动探测和分割方法；3) 提出了基于深度表征学习和全局最优曲面演化的肝脏自动分割方法，成果发表在著名的Physics in Medicine and Biology上；4) 提出了基于深度模型和隐式水平集方法的多器官分割方法；提出了基于测地表征选择和变分能量的病变肝脏分割方法等一些列方法；5)针对多模态数据问题，我们提出了一种新颖的基于结构稀疏化约束的多核学习方法，并给出了非常有效的求解算法，相关成果发表在医学图像计算的顶级会议MICCAI 2016上；6) 针对多数据源的联合学习问题，我们提出了一种多任务学习的方式来有效地利用多模态数据；7)针对研究过程中遇到的图像低分辨问题，我们提出了一种基于结构化低秩约束的图像超分表方法，并给出了一种交替迭代拉格朗日乘子的求解方式。经过充分的数据验证，基于本项目的研究成果和方法具有很好的准确性和鲁棒性，具备较好的临床应用前景。