《人工智能在医学影像中复杂视觉模式的检测、定性和分类中的应用：关于肺部和神经影像中的应用》哥大2022最新博士论文

医学影像在目前的医疗和研究环境中被广泛用于各种目的，如诊断、治疗方案、病人监测、纵向研究等。在美国最常用的两种成像方式是计算机断层扫描（CT）和磁共振成像（MRI）。通过CT或MRI获得的原始图像，在用于上述目的之前，需要经过各种处理步骤。这些处理步骤包括质量控制、降噪、解剖学分割、组织分类等。然而，由于医学图像通常包括数以百万计的体素（图像中含有信息的最小三维单位），依靠视觉检查和训练有素的临床医生的经验来手动处理它们是极具挑战性的。有鉴于此，医学成像领域正在寻求数据处理自动化的方法。随着人工智能（AI）在计算机视觉领域令人印象深刻的表现，医学影像界的研究人员对利用这一强大的工具来自动处理医学影像数据的任务表现出越来越大的兴趣。尽管人工智能对医学成像领域做出了重大贡献，但大量的数据仍然没有优化和强大的基于人工智能的工具来有效和准确地处理图像。

这篇论文的重点是利用大量的CT和MRI数据，设计基于人工智能的方法，利用弱监督和监督学习策略，以及数学（或统计）建模和信号处理方法来处理医学影像。特别是，我们在这篇论文中解决了四个影像处理问题。即：

1）我们提出了一种弱监督的深度学习方法，将扩散MRI扫描的二元质量控制自动分为 "差 "和 "好 "两类；

2）我们设计了一个弱监督的深度学习框架，以学习和检测与本工作中考虑的一组不同人工类别相关的视觉模式，以识别dMRI卷中存在的主要人工类型；

3）我们开发了一种有监督的深度学习方法，对人类肺部CT扫描中与肺气肿疾病有关的多种肺部纹理模式进行分类；

4）我们使用数学建模和信号处理工具研究和描述了视觉刺激期间人类大脑fMRI扫描中引起的两种负BOLD反应的特性。

我们的结果表明，通过使用人工智能和信号处理算法：

1）dMRI扫描可以自动归类为两个质量组（即 "差 "与 "好"），并具有较高的分类精度，能够快速筛选大群dMRI扫描，以用于研究或临床环境；

2. "差 "质量的dMRI容积中存在的主要伪影类型可以被稳健地自动识别，并具有较高的精度，能够根据污染它们的伪影类型排除/纠正损坏的容积。

3）与肺气肿疾病有关的多种肺部纹理模式可以在各种大型CT扫描队列中进行自动和稳健的分类，从而能够通过对多个队列的纵向研究来调查该疾病；

4）不同类别的负性BOLD反应可以在从人脑视觉刺激中收集的fMRI数据上得到充分的描述，从而使研究人员能够通过研究fMRI扫描队列来更好地了解人脑功能。