基于空间结构和纹理信息的肝脏自动分割方法的研究

An accurate and automatic segmentation approach of liver parenchyma, vessel and tumor is crucial to a CAD for liver disease and liver surgical planning system such as a system for liver transplantation. However, due to the highly varying shape of liver, low contrast and intensity in homogeneity inside liver, weak boundaries to its adjacent organs such as heart and stomach, and intensity homogeneity to adjacent organs, liver segmentation becomes a challenging task that has attracted much research attention recently. The aim of this project is to study the tensor-based statistical modeling technology for liver, in order to solve the key issues of the computer-aided diagnosis system for the liver segmentation: 1) liver shapes are different from one case to another, leading to the mutual influence of shape information and texture information，how to establish the accurate description of the variations in shape and texture in the statistical model is a key issue; 2) due to the number of data samples is far less than the number of dimensions of the image data itself, it is necessary to establish a model of high generalization ability. In this project, we propose to obtain liver spatial structure information and the texture information by shape normalization and apply tensor operation to establish the corresponding statistical model. Based on tensor subspace learning method ,we propose a two-stage automatic segmentation algorithm , which contains global step and local step，for liver segmentation from abdomen CT volumes. After training small number datasets, the algorithm can achieve better segmentation performance and strive to be applied in clinical practice.

为了更好地利用医学图像进行疾病诊断，医学界对基于医学图像的计算机辅助诊断(Computer Aided Diagnosis, CAD）技术提出了迫切需求。图像分割算法是CAD中的主要研究方向之一。相比于其他内脏器官（如心脏，胃部及肾脏等），肝脏个体间差异较大以及和相邻器官低对比度导致的弱边界，使得肝脏区域的分割成为一项具有挑战性的任务。如何合理有效的运用医学体数据包含的空间结构信息，如何直接对于体数据中的肝脏进行高维分割以及如何解决实际应用中由于训练使用的样本过少的导致的泛化能力不强的问题，是肝脏分割领域需要研究的重点。本项目提出通过形状归一化获取肝脏的空间结构信息和纹理信息，并进行张量运算建立相应的统计模型，实现基于张量子空间学习的CT图像中肝脏的包含整体和局部的两阶段自动分割算法。通过该算法训练有限的数据，实现对于肝脏更准确、自动快速的分割，并争取能应用于临床实践中。

本课题主要围绕医学图像分割来进行开展算法和应用的研究。通过对于医生感兴趣的区域的准确分割，可以辅助医生更好的进行疾病的诊断分析。..本项目提出通过形状归一化获取肝脏的空间结构信息和纹理信息，并进行张量运算建立相应的统计模型，实现基于张量子空间学习的CT图像中肝脏的包含整体和局部的两阶段自动分割算法。通过该算法训练有限的数据，实现对于肝脏更准确、自动快速的分割，并争取能应用于临床实践中。..课题开展期间，积极与临床医生合作，建立了两套肝脏的数据库：一套是强化CT数据，总计130例；另一套是腹部的MRI数据，总计260例。这两套数据都包含了相关的临床数据及医生标定的肝脏轮廓， 对照公开的数据库，我们实现了肝脏的自动化分割及肝硬化的分级辅助诊断。实验结果表明，我们的方法可以准确有效的实现肝脏区域的分割，初步结果表明通过纹理分析的方法，可以实现通过影像方式来实现肝功能（或肝硬化）的分级诊断。..通过基金的赞助，我们还围绕课题开展了一系列相关的分析和应用。我们将深度学习算法进行改进，应用于CT图像的小细胞肺癌的分割和分型诊断中。该研究基于肺癌CT图像的影像组学特征，通过特征提取和建模，发现该方法不仅有助于区分腺癌、鳞癌和大细胞癌，而且还能预测淋巴结转移和远处转移情况。肿瘤防治工作具有重大社会意义与科学价值，肿瘤疗效与预后评估是其中的关键研究领域。肿瘤标记物是肿瘤发生发展以及疗效好坏的重要指标。 我们对公开的基因库建立模型，提取出了可用于反映口腔鳞癌手术愈合效果的蛋白标志物AUNIP。抑制AUNIP可能是防治原发性鳞状细胞癌的潜在途径。.通过本基金的赞助，总共发表以第一作者或通讯作者的期刊及会议论文9篇，相关专利2项。