《基於機器學習的多模態醫學影像信息處理與分析》是依託山東大學，由尹義龍擔任項目負責人的聯合基金項目。
基本介紹
- 中文名：基於機器學習的多模態醫學影像信息處理與分析
- 項目類別：聯合基金項目
- 項目負責人：尹義龍
- 依託單位：山東大學
中文摘要,結題摘要,
中文摘要
多模態醫學影像信息處理與分析，具有重大的套用背景，是國家和社會當前高度重視的研究領域之一。本項目擬基於機器學習方法，主要研究醫學影像的特徵描述、設備無關性的特徵評價與特徵選擇、基於內容的多模態醫學影像檢索、醫學影像信息挖掘、參考庫建設與算法輔助研究平台的設計與開發等內容。研究目標為：（1）建立統一的特徵描述模型，實現跨模態醫學影像的統一特徵描述；（2）提出有效解決特徵提取層面上醫學影像信息處理與分析算法的設備無關性問題的通用框架；（3）在醫學影像標註數據有限、資料庫為海量等條件下，實現高效率單模態影像檢索，有效提高多模態、跨模態醫學影像檢索的精度，實現用戶友好的檢索結果展示；（4）從結構複雜的多模態醫學影像數據中，挖掘有用的知識，構建有效的輔助診斷模型、實現個人疾病風險預警；（5）完成首期參考庫建設與算法輔助研發平台的開發，為項目研究內容的開展提供有效數據和環境支撐。
結題摘要
多模態醫學影像處理與分析，具有重大的套用背景，是國家和社會當前高度重視的研究領域之一。本項目的主要研究內容包括:（a）圖像預處理方法及其在醫學影像處理中的套用研究；（b）特徵提取方法及其在醫學影像信息挖掘中的套用研究；（c）智慧型計算方法及其在醫學圖像分析中的套用研究；（d）醫學圖像資料庫建設；（e）醫學影像信息處理與分析算法輔助研發平台的設計與開發。取得的主要成果如下： （1）在圖像預處理理論研究及套用方面，提出了基於SVD的圖像去噪方法，在保證去噪效果的同時，處理速度提高了一倍，對於噪聲較多且模糊的醫學圖像能夠取得較好的增強效果；針對不同病灶的分割任務，分別提出了基於多任務學習、深度學習、先驗學習、集成學習等一系列基於學習模型的醫學圖像分割方法，在分割精度上提高了至少3個百分點，能夠對複雜的病灶區取得精確的分割結果。相關工作發表在IEEE TCSVT、MICCAI、Neurocomputing、Scientific Reports等重要國際期刊和會議上。 （2）在特徵提取方法及套用研究方面，提出了基於區分性二值碼學習、基於張量模型等一系列基於模型的特徵提取方法，提出了同步超像素表達模型，挖掘醫學影像中的有效信息，在疾病診斷的準確率上提高了2個百分點，能夠在複雜的醫學圖像中自動學習有效的信息。相關工作發表在IEEE TMM、PR、MICCAI等重要國際期刊和會議上。 （3）在智慧型計算方法及套用研究方面，提出了基於最大團的重疊網路監測、基於混合的進化免疫算法的多目標最佳化方法，在保證計算精度的同時，計算速度提高了5倍。將這些方法套用於腦部MR圖像的分割上，分割精度提高了約4個百分點。相關工作發表在IEEE TEC、ICITME 等重要國際期刊和會議上。 （4）在醫學圖像資料庫建設方面，分別建設了乳腺超聲多源資料庫、乳腺超聲、鉬靶同源多模資料庫、肺部CT資料庫，為本項目的研究提供了數據支撐。 （5）設計、開發了醫學影像信息處理與分析算法輔助研發平台，能夠支持對腦部、肺部及乳腺圖像的自動分析及輔助診斷。 本項目完成了課題預期目標。
