![](/__local/F/70/78/0831E68BA18331EE50632EA3C0B_A3EBF152_1BDC.png)
学位论文简介
医学图像分析技术通过分析各种影像数据,可帮助医生精准诊断疾病和制定个性化治疗方案。然而,传统的医学图像分析技术通常依赖于人类专家对医学图像的视觉检查和定性解释,存在主观性和效率较低等问题。因此,亟须研究智能化的医学图像分析技术,以提升诊断的准确性和一致性。
本文针对临床实际需求,专注于智能化的医学图像分析技术在疾病诊断、解剖结构识别和三维重建方面的研究,主要贡献如下:
(1) 由于胶质瘤的多样性和异质性,尤其是在低级别和高级别胶质瘤之间的界限模糊,使得医生在确定肿瘤分级时面临具大的挑战。本文提出了一种用于术前胶质瘤分级的无创机器学习放射组学模型,同时解释模型中使用的放射组学特征,以便更好地理解模型的决策过程和影响因素。
(2) 针对识别甲状腺和颈部组织时严重依赖于临床超声医师的经验问题,本文提出了一个基于深度学习的甲状腺和颈部组织识别框架,以协助医生区分不同组织的边界。该框架由特征提取网络、区域提议网络、对象检测头和基于空间金字塔 RoIAlign 的分割头组成。提出的方法可以有效实现超声视频中甲状腺和颈部组织的自动识别。
(3) 胎儿脑部 MRI 三维体积在畸形诊断和发育评估中起着重要作用。然而,MRI 采集过程中的胎儿不规则运动和母亲呼吸会导致结构连续性的丧失和三维信息被破坏。为了解决上述问题,我们提出了一种基于几何约束的胎儿脑部 MRI 三维图像重建方法。所提方法能够高效、准确地重建胎儿大脑高分辨率三维图像。
(4) 针对目前的产前超声胎儿颅脑检查,医生在测量胎儿生长参数和评估胎儿发育情况时,面临手动勾画解剖结构边界的挑战。基于 Mask R-CNN,本文提出一种基于结构感知的胎儿颅脑超声图像解剖组织分割框架,其可以协助医生区分颅脑超声图像中不同组织的边界。
主要学术成果
[1] Laifa Ma, Guanghua Tan, Hongxia Luo, Qing Liao, Shengli Li, Kenli Li. A novel deep learning framework for automatic recognition of thyroid gland and tissues of neck in ultrasound image[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2022, 32(9): 6113-6124. (SCI 1区 Top)
[2] Laifa Ma, Zheng Xiao, Kenli Li, Shengli Li, Jianlin Li, Xiaoping Yi. Game theoretic interpretability for learning based preoperative gliomas grading[J]. Future Generation Computer Systems, 2020, 112(2020): 1-10. (SCI 2区 Top)
[3] Laifa Ma, Liangjun Chen, Fenqiang Zhao, Zhengwang Wu, Li Wang, Weili Lin, He Zhang, Kenli Li, Gang Li. Geometric constrained deep learning for motion correction of fetal brain MR images[C]. IEEE 20th International Symposium on Biomedical Imaging (ISBI), IEEE, 2023, 1-5.