基于深度学习的肝脏肿瘤CT图像分割方法研究

摘要

随着生活压力的增大，人们的生活节奏越来越快，生活习惯越来越不规律，这就可能会引起比如肝脏肿瘤、脑肿瘤等恶性疾病的发生，而肝脏肿瘤的发病率是最高的。计算机断层成像(Computed Tomography，CT)是当前最为常用的医学成像技术，能够帮助医生对肝脏肿瘤进行更加精确的分割。目前，手动分割虽然比较精确，但是对医生的专业水平和经验要求很高，而且效率非常低。半自动分割方法虽然比手工分割提高了效率，但是仍然需要人工的干预，容易受个人主观意识的影响。虽然出现了一些全自动分割方法，但大部分是传统的机器学习方法，需要人工设计实验去提取特征，而且特征提取需要研究者具有丰富的经验，还要花费大量的时间。本文采用基于深度学习的全自动CT图像肝脏肿瘤分割方法及改进方法进行研究。 首先，针对手动分割、半自动分割和传统的全自动分割方法的缺点，本文使用全卷积神经网络FCN来对肝脏肿瘤CT图像进行分割。本文使用VGG-16作为基础网络，将最后的几层全连接层转换为卷积层，再经过上采样和信息融合等操作构造全卷积神经网络FCN。实验表明，使用全卷积神经网络FCN对肝脏肿瘤CT图像分割能够得到不错的效果。 然后，本文采用U-net网络对肝脏肿瘤CT图像进行分割，并且得到了比FCN网络更优的结果。为了防止在神经网络训练时，可能会出现模型收敛速度慢和梯度消失等问题，本文在新构造的DN-U-net网络结构中增加了一部分规范层，可以提高网络的泛化能力。为了可以有效的减少网络参数，缩小网络模型的大小，提升网络模型的运算速度，本文把新构造的DN-U-net网络结构中的普通卷积替换成了深度可分离卷积(Depthwise Separable Convolutions)。实验表明，增加了规范层和将普通卷积换成深度可分离卷积后的DN-U-net网络分割效果更好，得到的网络模型更小，并且在U-net网络中加入最新提出的组归一化（Group Normalization，GN）层要比加入批量归一化(Batch Normalization，BN)层的精确度更高。 最后，本文使用一种传统的半自动分割方法，即区域生长法，对CT图像肝脏肿瘤CT图像进行了分割。通过对比传统方法和深度学习方法对肝脏肿瘤CT图像分割的实验结果，可以得到基于深度学习的全自动分割方法要优于传统的区域生长法。

目录

声明

摘要

第1章绪论

1．1课题研究的背景及意义

1．2国内外研究现状

1．2．1肝脏肿瘤CT图像分割难点

1．2．2基于传统的医学图像分割方法

1．2．3基于机器学习的医学图像分割方法

1．2．4基于深度学习的医学图像分割方法

1．3本文研究内容及章节安排

第2章深度学习理论基础

2．1卷积神经网络的基本原理

2．1．1卷积层

2．1．2激活函数

2．1．3池化层

2．1．4全连接层

2．1．5损失函数

2．1．6 Dropout层

2．1．7局部感知和权值共享

2．2优化算法

2．3迁移学习

2．4全卷积神经网络

2．5本章小结

第3章基于FCN网络的肝脏肿瘤CT图像分割方法

3．1 FCN网络的关键技术

3．1．1全卷积化

3．1．2上采样

3．1．3跳跃结构

3．2 FCN网络的构造

3．3肝脏肿瘤分割的评价标准

3．4数据预处理

3．4．1原始数据集转换为可用数据集

3．4．2图像去噪和局部直方图

3．4．3数据增强

3．5 FCN网络训练及结果分析

3．5．1数据集选取

3．5．2实验环境

3．5．3实验流程

3．5．4实验结果与分析

3．6本章小结

第4章基于U-net网络的肝脏肿瘤CT图像分割方法

4．2 DN-U-net网络模型

4．2．1规范层的基本原理和选择

4．2．2深度可分离卷积的原理与作用

4．2．3 DN-U-net网络结构

4．3 DN-U-net网络的训练与分割

4．3．1数据集选择

4．3．2实验环境

4．3．3实验流程

4．3．4实验结果与分析

4．4传统分割方法和深度学习分割方法的对比

4．4．1基于区域生长的肝脏肿瘤图像分割方法

4．4．2不同分割方法的结果对比与分析

4．5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢