基于深度全卷积网络的肝脏肿瘤自动分割

摘要

肝癌是一种发病率和死亡率都非常高的疾病，严重威胁着我国人民的健康。近年来，计算机断层成像(Computed Tomography)已成为肝脏肿瘤检查最常见的成像方式，医生通过观察腹部CT图像可以制定出合理有效的治疗方案，但任何治疗方案都需要了解肿瘤的大小、数量、位置等信息。因此亟需一种能自动、精准、快速分割肝脏肿瘤的方法来实现组织容积的定量分析和病变组织的定位，以及辅助医生制定外科手术方案。而肝脏肿瘤分割的主要难点包括肝脏肿瘤大小、位置、形状差异较大，肝脏肿瘤内部灰度不均匀等。传统的肝脏肿瘤自动分割方法都需要手工设计特征，而手工特征主要依赖于人的经验，往往鲁棒性较差，很难达到实际应用的要求。 针对以上问题，本文提出了一种基于深度全卷积网络的肝脏肿瘤自动分割方法。该方法共分为两个阶段: 1)肝脏三维分割阶段，提出了一种基于新型深度全卷积网络的肝脏CT影像三维区域自动分割方法。该方法使用了新设计的图像预处理方式来增强肝脏与周围组织之间的对比度。为了充分利用CT图像的三维信息，设计了一种全新的三维卷积神经网络，并使用了新的网络参数初始化方法，使得卷积神经网络能快速收敛。最后使用三维条件随机场对分割结果进行优化。该算法在20个测试病例上的平均Dice相似系数为96.9％。 2)肝脏肿瘤横向面二维分割阶段，依据肝脏三维分割阶段得到的肝脏分割结果，提出了基于多尺度全卷积网络的肝脏肿瘤区域分割方法。该方法使用了不同膨胀系数的空洞卷积，能充分提取图像的局部和全局特征，提升肝脏肿瘤分割效果。该方法在19个测试病例上的平均Dice相似系数为65.76％。随后对多尺度全卷积网络做了进一步的改进，提出了一种基于DU-Net的高通量全卷积网络肝脏肿瘤区域分割模型。该模型通过加深网络层数来提取更高层次的特征，使用深浅层特征融合的策略以充分利用提取到的特征，采取感受野全覆盖的方式来提取局部和全局特征，使得肝脏肿瘤分割结果得到进一步提升。该方法在19个测试病例上的平均Dice相似系数为71.19％。 实验结果表明，本文提出方法的肝脏肿瘤分割结果优于传统分割方法和其他深度卷积神经网络方法。

目录

声明

摘要

第一章 绪论

1．1研究背景及意义

1．2国内外研究现状

1．3论文的主要内容及章节安排

2．1深度卷积神经网络

2．2评价标准

第三章基于新型深度全卷积网络的肝脏CT影像三维区域自动分割

3．1研究动机

3．2基于新型深度全卷积网络的肝脏CT影像三维区域自动分割方法

3．2．1预处理

3．2．2新型深度全卷积网络(FCN)模型

3．2．3参数初始化方法

3．2．4后处理

3．3实验设计

3．3．1实验数据集

3．3．2实验环境

3．3．3实验设置

3．4实验结果和评估

3．5本章小结

第四章基于多尺度全卷积网络的肝脏肿瘤区域分割模型

4．1研究动机

4．2肝脏肿瘤分割模型

4．2．1预处理

4．2．2基于多尺度的全卷积网络

4．3实验设计

4．3．1实验数据

4．3．2实验环境

4．3．3网络参数设置

4．3．4损失函数

4．3．5优化器

4．3．6模型训练方法

4．4实验结果和评估

4．4．1定性评估

4．4．2定量评估

4．5本章小结

第五章基于DU-Net的高通量全卷积网络肝脏肿瘤区域分割模型

5．1研究动机

5．2肝脏肿瘤分割模型

5．2．1 DU-Net网络结构

5．2．2后处理

5．3实验设计

5．3．1实验数据

5．3．2实验环境

5．3．3网络结构及参数设置

5．3．4损失函数

5．3．5优化器

5．3．6模型训练方法

5．4实验结果和评估

5．4．1肝脏肿瘤分割结果定性分析

5．4．2肝脏肿瘤分割结果定量分析

5．5本章小结

第六章结论与展望

6．1本文的工作内容及创新之处

6．2今后工作展望

致谢

参考文献

攻读硕士期间完成的科研情况