基于深度学习的医学图像交互式分割方法研究

Compared with automatic methods, interactive methods for medical image segmentation can achieve more accurate and robust results in complex clinical environment, and have a large clinical demand in many tasks such as target region delineation for radiotherapy, organ modeling and surgical planning. Existing interactive medical image segmentation methods are commonly faced with requiring a large amount of human interactions, consuming long time and low level of intelligence, which have limited their large scale application in clinic. Deep learning techniques can automatically extract the most useful features by learning from a large set of images, and are expected to overcome these problems in interactive segmentation systems. This project aims to develop a group of new interactive segmentation algorithms to achieve more intelligent medical image segmentation with highly accurate results, fast response, and fewer human interactions. The following fundamental problems will be studied: 1) the mechanism to realize the combination of deep learning and human interactions, 2) neural network models that are suitable to interactive segmentation, 3) the mechanism to intelligently refine segmentation results with deep learning. This project is expected to realize novel interactive medical image segmentation methods with higher efficiency and accuracy, so that to improve the level of intelligence and robustness of computer-aided diagnosis and therapy systems in clinic.

医学图像的交互式分割方法相比于自动分割方法在复杂的临床环境中能得到更精确和鲁棒的结果，在放疗靶区勾画、器官建模、手术规划等任务中具有巨大的临床需求。目前的医学图像交互式分割方法普遍面临需要的人工交互多、耗时较长、智能化程度较低的问题，成为其在临床上大规模应用的主要瓶颈。深度学习技术通过从图像大数据中进行学习，自动提取最有效的特征，有望克服以上交互式分割系统中的瓶颈问题。本项目旨在研究一套基于深度学习技术的交互式分割算法，实现分割精度高、响应速度快、人工交互少的智能化医学图像分割方法，将针对以下基础问题进行深入研究：1）深度学习与人工交互相结合的实现机制，2）适用于交互式分割的神经网络模型，3）深度学习对分割结果进行智能化修正的实现机制。本项目有望实现更高效率、更高精度的交互式医学图像分割，为提高临床上计算机辅助诊疗系统的智能化程度和鲁棒性提供算法支撑。

项目背景：医学图像的交互式分割和标注方法在计算机辅助诊疗中具有巨大的临床需求。目前的医学图像交互式分割普遍面临需要的人工交互多、耗时较长、智能化程度较低的问题。本项目旨在研究一套基于深度学习技术的交互式分割算法，实现分割精度高、速度快、人工交互少的智能化医学图像分割和标注方法。...主要研究内容：1）交互式分割标注场景下深度学习与人工交互进行结合的方法研究；2）用于交互式分割的CNN结构设计的研究；3）利用深度学习对分割结果进行智能化修正的方法研究。..重要结果：1）提出一种智能交互式分割和标注算法MIDeepSeg，将种子点的测地线距离变换和深度卷积神经网络相结合，不仅可以用于医学图像中器官的高效率、精确的交互式分割，也可用于其他模态、其他器官的快速标注。2）提出两种轻量化的高效率卷积神经网络LCOV-Net和MG-Net用于医学图像分割。3）提出一种基于不确定性引导的交互式分割修正方法，自动引导用户在不确定性高的图像区域提供交互点。4）进一步研究了利用人工交互提供的稀疏标注，如涂鸦标注训练深度学习模型用于医学图像分割，减少了人工交互量和标注成本。..关键数据：1）在领域顶级期刊和会议Medical Image Analysis, IEEE TMI,MICCAI等发表研究论文5篇，申请发明专利1项，培养硕士研究生4名，本科生2名。2）MIDeepSeg分割一幅二维图像平均只需要4.76s，需要的平均人工交互为4.85个鼠标点击点，比已有的GraphCuts、Random Walks、DeepIGeoS等交互式分割方法取得了更高的精度。3）LCOV-Net比3D U-Net速度提高了27.93%，并且拥有更高的精度。4）通过不确定性估计结果对人工交互进行智能化引导，对分割结果进行交互式修正的效率提高了30%左右。..科学意义：本项目提出的基于深度学习的医学图像交互式分割和标注算法，克服了现有交互式分割方法依赖人工设计的特征、需要大量人工交互的不足，提高了交互式分割的精度和效率，减少了图像标注过程中人工交互成本，在医学图像分割、人机交互、弱标注学习、主动学习等领域提出了创新方法。