【MIT博士论文】利用深度学习改进医学影像分割，165页pdf

临床工作流程中最重要的步骤之一是医学图像的分割，它可用于多种临床决策任务，如疾病诊断和治疗反应评估。由临床专家手工分割的3D医学图像（如计算机断层扫描(CT)或磁共振成像(MRI)）可能耗时过多，不适用于常规的临床工作流程，并且更容易受到人为错误和不一致性的影响。近年来，基于深度学习(DL)的方法在多种计算机视觉任务中展现出了与人类相当的性能，使它们成为研究者旨在自动化医学图像分割的有吸引力的选择。本论文考虑了两种医学成像场景，并研究了通过DL进行全自动图像分割如何增强下游的临床任务。第一个场景评估了用CT诊断偶然发现的肾上腺团块的临床工作流程。尽管有标准化的报告系统和严格的肾上腺团块定义指南，但此任务仍存在显著的评估者间变异性。为了实现肾上腺的客观和可重复的表征，本论文开发了第一个用于CT上的分割和分类的DL方法。使用大规模的回顾性数据集，此方法用于识别放射科医生可能遗漏的检测，并讨论了此事的临床意义。第二个场景关注了MRI上转移性脑肿瘤患者的治疗反应评估。由于患者可能有大量的转移灶，标准的放射学分析只追踪少数目标病变来评估治疗的效果。在这种范式下，由于缺乏定量强调，较小的非目标病变可能被忽视甚至遗漏。为此，开发了一个流程，自动分割MRI上的脑肿瘤转移病变并输出标准的反应评估指标。由于转移性脑瘤患者可用的纵向成像数据的普遍性，制定了一个次要模型，通过利用已知的先前时间点信息，来提高微转移病变的检测和分割。