Tag Archives: 深度學習

應用多任務學習於多相式電腦斷層掃描影像自動化切割與分類肝臟病灶

Posted on by

在肝臟疾病的診斷過程中，放射科醫師通常會利用多項式電腦斷層掃描影像來判斷肝臟病變，透過觀察、分析每個病灶在不同掃描項之間的顯影特性來確定病灶的位置與類別。然而，準確的診斷往往需要仰賴放射科醫師豐富的知識與長期累積的臨床經驗，考量到現今醫學人力資源短缺的情況下，這個診斷方式可能會增加醫療工作者的負擔，因此，電腦輔助診斷系統的發展愈來愈受到關注。
近年隨著電腦運算能力的提升與人工智慧技術的發展，愈來愈多領域開始應用機器學習和深度學習技術來推動自動化系統的開發，醫療領域亦不例外，而肝臟病灶的切割與分類相關研究更是不虞匱乏。由於多相式掃描相對於單項掃描能提供更為詳細且豐富多元的資訊，進而產生更為精確的結果，近期的相關研究主要偏向使用多項式電腦斷層掃描影像作為研究資料。然而，雖然現階段的研究皆能達到良好的準確率，但是大多數的研究都只關注單一任務，例如：偵測、切割、分類，這樣單一任務的方法在效率的提升上還有進一步優化的空間。
本論文引入了多任務學習的技術於肝臟疾病切割與分類之研究中。長期以來，由於收集到的資料量有限，訓練神經網路模型在病灶的分類上時常出現過擬合的問題，導致模型難以取得良好的結果。然而，透過多任務學習的特點成功解決了這個問題，因為多任務學習中的參數共享增強了模型的泛化能力，大幅減少過擬合的問題。此外，該多任務模型將切割與分類兩項任務整合到單一框架之中，進而提升了整體的效率。最終，為了評估所提出的多任務模型的有效性，我們將其與多種當前最先進的切割與分類模型於我們的資料上進行比較。結果顯示，我們的多任務模型在分類任務上優於其他模型，並在切割結果中取得與頂尖模型相當的性能。

應用多相式電腦斷層掃描影像偵測肝腫瘤

Posted on by

肝癌(肝腫瘤)長年位居台灣十大癌症死亡率第二名，目前診斷肝癌的方式可透過電腦斷層掃描影像(Computed Tomography，CT)以彌補血液檢查的不足且不具有侵入性。電腦斷層攝影主要是以注射顯影劑後，利用不同的顯影特性判別肝臟和肝癌區域，是現今廣泛使用確診肝癌的工具。放射科醫師透由顯影後產生三相式(Tri-phase:動脈階段、門靜脈階段、延遲階段)影像的亮度特徵診斷病症，連同原始影像將四張影像對齊後來回檢視以確認病徵，大部分的病例在電腦斷層檢查完畢後即可確診為肝癌，然此非常需要醫師的經驗且耗時費力。
近年來的深度學習模型中以H-Dense U-Net在切割肝癌影像上最為知名，然在單一相上須提供大量的訓練資料與人工標記樣本。本篇論文利用影像處理與機器學習來判別肝癌，並仿效放射師判斷肝癌的病徵的方式，在單一相上各僅需要一張影像，更為簡便。然而病患每次呼吸的進氣量不同，造成拍攝各階段間切片序號有些微誤差或產生影像位移，故影像對齊與校準扮演了關鍵因素。此研究計算每張影像之間的最小均方誤差找出相對應的切片序號以俾影像校準的匹配更為精準。後續再利用非剛性轉換中的微分同胚Demons將影像進行校正與對齊，經過對齊的程序後透過Liver Tumor Segmentation Challenge(LiTS)中的訓練資料集讓U-Net學習切割肝臟區域，經由輸入校準過的四張影像讓k-means對各像素點亮度變化做自動分群模擬出醫師判斷肝癌的病徵，最後將病徵作為讓DNN學習的訓練資料以辨識出健康肝臟、血管瘤以及肝癌。最終分析實驗結果驗證本論文所提出的架構與H-Dense U-Net的優缺點。

應用影像統計分析法量測腦脊髓液

Posted on by

神經外科中的腰椎椎管狹窄症主要是因為老化造成腰椎退化後，促使椎間孔局部或廣泛性的狹窄，因而讓腦脊髓液減少。該病症目前診斷的方式多是具有經驗的神經外科醫師以目測的方式判讀磁振造影影像。然而，若要定量化分析則必須以人工方式圈選腰椎椎管後，輔以軟體測量圈選範圍的面積，這樣的方式除了必須依靠醫生主觀經驗外，亦需要消耗龐大人力資源，難以建立量化的數據。

近年來因為人工智慧的蓬勃發展，電腦視覺與影像處理的技術在醫學影像上的應用更為廣泛應用，過去的參考文獻中曾利用腦脊髓液於磁振造影T1與T2上亮度作為分類特徵，透過非監督式分類器分割腦脊髓液並計算其區域面積。然而，此一方式假設訓練與測試樣本的亮度分布必須相似，否則將使得分類器效能大幅降低。

本論文將延續先前的研究成果進一步提出兩種方式，用以提升分割腦脊髓液區域的效能。第一種方式為頻帶擴展，此一技術利用了隨機程序的概念，將原始影像視為一隨機變數，並藉由不同隨機變數之間的關聯性以及非線性統計量產生新的波序，與原始波段合併後以補足缺乏之光譜值，藉此提升分類的效率。第二種方式為利用統計因子(Skewness)的非監督式影像門檻化演算法，此一方法導入了隨機變數的概念，配合動差生成函數(Moment Generating Function)，有效地減低分類器在狹窄症嚴重等級較高案例的分類錯誤並提升效能。本論文於實驗設計中比較幾種不同方式的效能，其中包含頻帶擴展以增加特徵數量、深度學習中U-Net網絡以切割腦脊髓液、以及利用統計因子設計的影像門檻化演算法。實驗結果除了相互比較腦脊髓液的面積之外，並以腰椎狹窄症的病徵等級作為對應，藉以比較不同演算法之間的效能。