【伦敦国王学院博士论文】可信深度学习医学图像分割，270页pdf

尽管深度学习方法在提高医学图像分割的最新水平准确性方面取得了近期的成功，但一些主要的限制仍然限制了它们在诊所中的应用。深度学习基础分割方法的一个主要限制是它们对图像采集协议和在训练数据集中未被代表或者代表不足的成像解剖的变化的鲁棒性不足。这意味着需要向训练数据集中添加新的手动分割图像以更好地覆盖图像的变化。然而，在大多数情况下，医学图像的手动分割需要高技能的评估者并且耗时，使得这种解决方案的成本过高。即使从不同来源可获得手动分割的图像，它们也很少针对完全相同的感兴趣区域进行注释。这对当前依赖于监督学习的最新深度学习分割方法构成了额外的挑战，因为它们需要所有的感兴趣区域对所有用于训练的图像进行分割。本论文引入了新的数学和优化方法来减轻这些限制。我们的贡献有三个方面。我们引入了标签集损失函数的数学框架。这是一个无限大的损失函数家族，可用于训练使用部分注释的图像的深度神经网络，也就是对一些但不一定是所有的感兴趣区域进行了分割的图像，或者是对一些感兴趣区域的分割进行了分组的图像。我们提出了一种将任何现有的损失函数转换为标签集损失函数的方法，此外，我们还提出了一种新的标签集损失函数，我们发现它能提高分割的准确性。

我们引入了一种使用分布鲁棒优化（DRO）训练深度神经网络的优化算法。我们建议使用DRO来改善在训练数据集中代表不足的人群上训练后的深度神经网络的泛化能力。当应用于深度神经网络时，我们正式证明了算法的收敛性。我们还对DRO和最坏情况性能最大化之间的联系给出了数学洞见。我们基于Dempster-Shaffer理论提出了一种可靠的深度学习医学图像分割方法。可靠的AI是一个在社会学中越来越多地被讨论的概念，在安全部署深度学习等新兴技术的指南中也有涉及。我们提出了第一个具体的可靠AI医学图像分割的数学框架和实现。我们的方法旨在使深度学习分割算法根据专家知识衍生出来的标准（称为信任契约）而变得可靠，这些标准符合放射科专家在手头的分割任务中的期望。我们通过对几个以胎儿大脑3D T2w MRI分割为重点的分割任务进行说明和评估，提出了这些方法。胎儿大脑MRI的分割对于研究正常和异常的胎儿大脑发育至关重要。可靠的分析和评估胎儿大脑结构也可能支持中枢神经系统病理诊断，胎儿手术的患者选择，结果的评估和预测，因此也有助于对父母进行咨询。胎儿大脑3D T2w MRI分割呈现多种挑战，这些挑战与本论文旨在减轻的当前深度学习算法的限制相一致。手动分割的胎儿大脑3D T2w MRI是稀缺的，他们的注释水平也有所不同。临床中心之间使用的T2w MRI协议存在变化。最后但并非最不重要的，胎儿大脑解剖在孕龄和正常与异常的胎儿大脑解剖之间存在惊人的变化。