基于自适应信息融合策略的PET/CT肿瘤共分割算法研究

Precise delineation of tumor region plays a critical role in radiation therapy. The higher the segmentation accuracy of the tumor, the better the treatment effect of the cancer is. With the ever-increasing use of PET/CT imaging device, PET/CT tumor co-segmentation has become an urgent issue. There are complementary information which is helpful for tumor segmentation and contradictory information obstructing the tumor segmentation between PET and CT images. How to adaptively fuse the beneficial information for tumor segmentation is the difficulty of PET/CT tumor co-segmentation. This project aims to study the problem of information fusion for PET/CT tumor co-segmentation, and design reasonable and effective adaptive information fusion strategies, and propose some new PET/CT tumor co-segmentation methods. The research suggested in this project will provide a new train of thought and method for PET/CT tumor co-segmentation.

肿瘤区域的精确分割在癌症放射治疗中起着重要作用，肿瘤分割精度越高，癌症治疗效果越好。随着PET/CT成像设备在临床中的使用越来越广泛，PET/CT肿瘤共分割已成为亟待解决的问题。PET和CT图像中既有对肿瘤分割有利的互补信息，也有阻碍肿瘤分割的矛盾信息，如何自适应融合两个图像中对肿瘤分割有益的信息是PET/CT肿瘤共分割的难点所在。本项目旨在研究PET/CT肿瘤共分割问题中的信息自适应融合问题，设计合理有效的多模图像信息自适应融合策略，构建PET/CT肿瘤共分割方法。本课题的研究将为PET/CT肿瘤共分割问题提供新的思路和方法。

精确分割肿瘤区域能有效提高癌症的治疗效果，降低治疗过程中造成的副作用，但由于医学影像的复杂性，自动算法的分割精度仍有待于提高。考虑到PET成像和CT成像具有不同的特性，合理使用这两种模态图像提供的互补信息有助于提高肿瘤的分割精度，本项目针对如何自适应融合PET和CT图像中对肿瘤分割有益的互补信息来构建肿瘤分割模型开展了深入的研究。. 本项目充分挖掘了PET和CT图像的互补特征，设计多重正则项来自适应融合这些互补特征，进而构建了多个PET/CT肿瘤共分割模型，并探索了高效的模型优化方法；另一方面，通过构建合理的深度卷积神经网络来自动提取和融合PET和CT图像的互补特征，提出了基于深度学习的多模态肿瘤分割方法。实验表明，本项目构建的PET/CT肿瘤共分割方法都有效改善了肿瘤的分割精度。. 本项目的研究成果可用于智慧医疗，在癌症的诊断、治疗和治疗效果评估时能快速帮助医生完成肿瘤区域的自动勾画，快速提取相关信息，提高医疗速度和精度，减轻医生的负担，该研究具有很好的临床应用前景。