学位论文简介

随着医学影像技术的快速发展，医学影像分析已成为疾病诊断过程中不可或缺的一环。然而，目前影像科医生的增长率远低于医学影像的增长率，庞大的就诊量伴随着大规模的影像数据极大地加重了影像科医师的工作量。而且，医学影像通常存在对比度低、模糊、噪声、伪影等问题，传统的要求影像科医师逐帧判读的阅片方式加重了影像科医生的工作负担和疲劳，也更容易产生误诊、漏诊。因此，医学影像的自动化分析在辅助医生诊断、减轻医生工作量等方面意义重大。本文主要通过对医学影像分析中的核心任务进行关键技术研究，以此缓解当前医学影像分析中存在的一些问题。具体地，本文的主要工作与贡献总结如下：

（1） 提出了一个基于参数主动轮廓的单病灶边界定位算法。由于病灶在医学影像中边界模糊不清，内外强度不均，使用纯深度学习分割算法无法得到准确且平滑的病灶边界，因此，本文基于梯度向量流引入一种新的外力帮助曲线克服在梯度向量场中均匀场移动缓慢的缺陷，并设计一个深度多层语义融合网络为改进后的参数主动轮廓模型预测所需的参数图，在增强算法泛化性与鲁棒性的同时增强曲线移动的灵活性，使病灶边界定位更加准确。在神经纤维瘤病灶上进行的实验表明，新外力与参数图的引入显著提高了病灶边界的定位精度，充分证明该算法的有效性与鲁棒性。

（2） 提出了一种基于几何主动轮廓的多病灶边界同时定位算法。由于参数主动轮廓无法实现拓扑变化，因此其在定位多个病灶边界方面比较耗时。因此，本文利用深度学习为测地线主动轮廓预测相关参数图，解决其易在弱边界出现边界泄露的问题，并引入一个新的重新初始化函数，在每次迭代中重新初始化曲面函数，避免演变过程中出现数值异常的情况。实验结果表明该算法不仅能同时定位到多个病灶的平滑边界，而且还能获得比同类型方法更好的结果。

（3） 提出了一种基于缓存跟踪机制的病灶实时检测算法。为了能在临床上实时辅助医生进行诊断，本文在一阶段检测模型中集成一些组件提升模型的学习能力与检测性能的同时，利用视频帧之间的时序上下文信息提出缓存跟踪机制，使模型能在满足实时的情况下，修正视频检测过程中容易出现的误检和漏检情况，保证视频检测与跟踪的连贯性。在甲状腺结节的超声视频中，本文提出的方法不仅能模仿医生的诊断方式根据视频帧的前后关系跟踪并统计超声视频中出现的甲状腺结节和周围的组织结构，而且还能在平衡超声视频的检测速度与精度的同时取得很好的结果。

（4） 提出了一种基于领域知识解读的视频病灶诊断算法。为了辅助医生更好地诊断，使医生直观理解算法的诊断过程，提升医生对辅助诊断模型的信任度，本文模仿医生的诊断思路根据医生的领域知识解读视频中甲状腺结节每一帧的属性特征，并通过得到的每一帧的风险分级评估和低维特征向量为医生提供模型的解释性诊断依据。然后通过序列分类模型自适应学习低维特征向量序列中的上下文关系预测视频中甲状腺结节的良恶性，如此既可处理任意长度的甲状腺结节序列，也可降低计算成本，提高诊断效率，减轻医生的工作压力。

主要学术成果

[1] Wu, Xiangqiong and Tan, Guanghua and Zhu, Ningbo and Chen, Zhilun and Yang, Yan and Wen, Huaxuan and Li, Kenli. CacheTrack-YOLO: Real-Time Detection and Tracking for Thyroid Nodules and Surrounding Tissues in Ultrasound Videos[J]. IEEE Journal of Biomedical and Health Informatics, 2021: 3812-3823, doi: 10.1109/JBHI.2021.3084962. (第一作者，SCI二区，影响因子：7.021)

[2] Wu, Xiangqiong and Tan, Guanghua and Li, Kenli and Li, Shengli and Wen, Huaxuan and Zhu, Xianyi and Cai, Wenli. Deep Parametric Active Contour Model for Neurofibromatosis Segmentation[J]. Future Generation Computer Systems, 2020: 58-66, doi: 10.1016/j.future.2020.05.001. (第一作者，SCI二区，影响因子：7.307)

[3] Luo, Hongxia and Ma, Laifa and Wu, Xiangqiong and Tan, Guanghua and Zhu, Hui and Senmin, Wu and Li, Kenli and Yang, Yan & Li, Shengli. Deep learning based ultrasonic dynamic video detection and segmentation of thyroid gland and its surrounding cervical soft tissues[J]. Medical Physics, 2021: 382-392, doi: 49. 10.1002/mp.15332. (第三作者，SCI三区，影响因子：4.506)

[4] 李肯立，李胜利，伍湘琼，谭光华，文华轩，朱宁波，陈志伦. 超声图像处理方法、装置、计算机设备和存储介质：中国，CN202010704590.1. 2020-10-30. (第三发明人)