基于多目标优化和栈式稀疏编码的肝脏肿瘤图像识别研究

Based on the relationship between liver clinical pathology and features extraction as well as recognition of liver cancer images, this project focuses on the liver cancer image recognition with the multi objective optimization and stack sparse coding which improves the cancer image recognition accuracy and the robustness of algorithm to satisfy the demand of image recognition in the auxiliary diagnosis with higher efficiency. We propose a liver cancer image recognition method which includes multi objective optimization and stack sparse coding based on statistics, medical image and computer science. Segmenting the target area based on the image reconstruction criterion and non-parameter clustering methods to obtain the super-pixel of the original image; reconstructing the super-pixel weighting network with the similarity matrix and the random walk distance; operating the unsupervised medical image segmentation based on the multi objective optimization clustering and the adaptive clustering numbers by filtering theory; recognizing the liver cancer images with classifier based on stack sparse coding neural network which can be optimized the classifier by the unsupervised cascade training algorithm and supervised BP algorithm.

本项目旨在以肝脏临床病理与肝脏肿瘤图像特征关系及其图像识别研究为基本背景，以提高肿瘤图像识别的精度及算法的鲁棒性为切入点，探索基于多目标优化及栈式稀疏编码的肝脏肿瘤图像识别方法，使之更高效的满足医疗辅助诊断中对图像识别的实际需求。基于统计学、医学影像学、计算机科学等学科的相关理论，提出一种基于多目标优化和栈式稀疏编码的肝脏肿瘤图像识别方法。基于图像重构准则及非参数聚类算法实现目标分离，获得图像的超像素表示；通过超像素的相似度矩阵度量方法，采用随机游走距离方法实现超像素的相似度权重网络的构建；从多目标函数优化聚类方法入手，结合滤波理论自动获取聚类个数实现无监督的医学图像分割；基于栈式稀疏自编码神经网络的分类器，采用无监督逐层训练算法及有监督反向传播算法进行调优，实现符合临床诊断需要的肝脏肿瘤图像识别。

本项目旨在以肝脏肿瘤图像特征及图像识别技术研究为基本背景，结合机器学习、计算机视觉及图像处理等领域相关知识，对图像分割、分类、检测及特征提取与分析等方面开展了相关研究。针对现有的粒子群聚类算法使用单目标函数进行图像数据划分不能全面概括数据集特征的问题，提出了多目标优化图像分割方法，根据尺度滤波理论确定了最佳聚类数，实现了无监督聚类的图像分割；针对目前肿瘤区域分割基于PET或CT图像单模态上存在缺陷，结合PET和CT图像提出了多模态的肿瘤图像分割方法，该方法在肿瘤区域分割上较其他方法具有更高的精确度；针对腹部图像器官边界模糊及传统U-Net模型实现端到端的分割时精确度不高等问题，设计了改进的U-Net和Morphsnakes算法的肝脏分割方法，该方法分割准确率达到了94.8%；针对RFNN因随机设置输入层网络权值和隐单元阈值而导致网络的隐层神经元数目过多、泛化性能不高，提出了运用PSO编码网络输入输出灵敏度信息优化单隐层RFNN学习方法，通过合理降低网络的输入输出灵敏度，有效减少隐单元的数目、增加网络的鲁棒性、提高网络条件性能和泛化性能，实验结果验证了所提出方法的有效性；针对医学图像标注数据集较小易造成过度拟合问题，提出了特征融合对抗学习网络，使用重构损失训练一个全卷积自动编码器，使用分类损失和对抗损失训练ASENet，并对其进行对抗训练，以提高肝脏病变分类中的性能；针对目前LBP特征提取方法缺乏图像的多尺度特征，容易造成丢失大量高阶尺度邻域像素信息的缺陷，提出了改进多尺度LBP算法的肝脏图像特征提取方法；针对传统检测框架应用于医学影像病变检测准确性不高的问题，提出了基于注意力门控模块的检测框架，通过在编码和解码阶段增加下采样和上采样模块，以设置更多的锚框进行多层次检测，实现表明提出的方法误检、漏检率大大降低。通过研究医学图像处理相关算法，为诊断医学、手术规划、放射治疗规划及生物医学图像处理等研究积累理论和实践基础。