医学图像自动分割
发布时间：2022-04-14
点击次数：
背景：
为了缓解我国医疗资源配置紧张现象，满足人民对医疗服务日益增长的需求，以医学图像为研究基础的智慧医疗领域已得到广泛关注和重视。2017年国务院发布的《新一代人工智能发展规划》中指出，应积极推广应用人工智能治疗新模式新手段，建立快速精准的智能医疗体系。医学图像可以较为真切地反映出人体内部组织结构的形态和功能信息，不同模态的医学图像成为人类感知和了解人体信息的重要载体，在医学图像处理过程中为获取相关人体器官功能指标发挥着重要的作用，其中图像分割是医学图像处理过程中的重要环节。医学图像的准确分割对病变区域的定位、定量、分析有着不可替代的作用，进而直接影响医生对疾病的诊断。而目前传统的医学图像分割方法人为参与度高、主观性强，且缺乏对医学图像的抗噪能力，往往得不到理想的分割效果。而基于深度学习的分割方法在历经多年快速发展后在医学图像分割领域取得了较好的应用，其中U-net语义分割网络模型依靠其结构简单、像素定位较为准确等特点成为最流行的语义分割网络。但将现有的U-net架构适用于特定的医学图像仍然是一项具有挑战性的任务，需要大量专业知识和时间来调整模型架构和参数。对此，神经网络架构的自动设计方法逐渐出现在我们的视线中，神经网络架构的自动优化设计可以大大减少人工调试设计网络的时间，并且对医学图像数据集有一定的通用性和鲁棒性。
方法：
针对U-net在面对不同分割任务时最优网络架构及超参数未知的问题，采用状态转移算法来搜索U-net最优架构。提出了一种基于离散状态转移算法的U-net架构优化方法，进化的体系架构有望使在解决不同任务时获得良好的分割性能。网络架构优化问题在于具有搜索空间大、网络超参数之间相互依赖性强、维度高等特点，离散状态转移算法作为新型的智能优化算法可有效地缓解上述问题。
结果：
为了验证所提算法DSTA-Unet的性能，本文在LiTS肝脏数据集上进行实验。我们将所提方法(DSTA-Unet)和U-net、R2U-net等手动设计的网络进行了对比，同时也和基于神经架构搜索方法的NAS-Unet进行了比较，实验结果验证了所提方法的优越性。
