基于深度学习的肝脏CT图像分割方法研究

摘要

肝脏是人体内最大的实质性器官，血管丰富，结构复杂，肝病种类多且发病率高，已严重影响了人类的健康和生命。肝脏手术是治疗肝脏疾病最常用的方法之一，其需要将肝脏从CT图像中分割出来，进行处理分析，获取病理、物理、解剖等方面的信息，为手术方案的制定提供理论基础。而通常是由有经验的专家根据先验知识人工勾画肝脏的轮廓，耗时耗力且主观性强，因此研究全自动的肝脏分割是肝脏手术治疗的首要任务，具有很重要的现实意义和应用价值。　　近年来，有大量的研究者提出了半自动或全自动的肝脏CT图像分割方法，取得了一定的效果。但依然存在很多问题，例如肝脏与其周围相邻组织器官灰度高度相似和部分容积效应导致肝脏的分割结果超出肝脏区域、样本分布不平衡和定位信息不足等影响肝脏分割的效果，因此目前尚未形成统一且有效的分割方法，不能直接运用于临床诊断和治疗中。为了解决以上问题，本文提出了相应的改进方法。本文的创新主要有以下两点，总结如下：　　① 针对经典语义分割模型DeepLab中存在的分类信息足，但定位信息不足的问题，提出了一种能融合多层级特征且保留中间层特征的RV-DeepLab模型。该模型使用跳跃连接融合多层级特征且重新引入中间层有用的信息，平衡了语义分割中定位和分类两大相互矛盾的目标。与 DeepLab 模型相比，RV-DeepLab 模型在3Dircadb和Sliver07数据集上分割效果都有所提升，其中在Sliver07数据集上得分提升了0.19。　　② 针对RV-DeepLab模型部分分割结果远超出肝脏区域的问题，提出了一种缩小语义分割范围的DSL模型。该模型针对肝脏检测中样本分布不平衡的问题，首先通过引入在线难例挖掘算法，改进了目标检测Faster R-CNN算法，检测出肝脏的大致位置，缩小了后续语义分割的范围。然后将得到的图像经过处理，输入到RV-DeepLab模型中实现肝脏CT图像的分割。实验表明，与RV-DeepLab模型相比，DSL 模型在 3Dircadb 和 Sliver07 数据集上分割效果都有所提升，其中在Sliver07 数据集上得分提升了 5.75。同时 DSL 模型优于其余几种对比方法，具有良好的分割效果。　　综上，通过实验和分析，验证了本文提出的融合多层级特征且保留中间层特征的RV-DeepLab模型和缩小语义分割范围的DSL模型的有效性。

目录

1 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.3本文的主要贡献

1.4论文组织结构

2 相关研究基础

2.1基于区域的肝脏CT图像分割方法

2.1.1 基于阈值的肝脏CT图像分割方法

2.1.2 基于区域生长的肝脏CT图像分割方法

2.1.3 基于分裂与合并的肝脏CT图像分割方法

2.2基于边缘的肝脏CT图像分割方法

2.3基于特定理论的肝脏CT图像分割方法

2.4.1 卷积神经网络的基本原理

2.4.2 迁移学习

2.4.3 全卷积神经网络

2.5本章小节

3 基于特征融合的肝脏CT图像分割模型

3.1引言

3.2相关网络及模型

3.2.1 VGGNet网络

3.2.2 残差学习

3.2.3 DeepLab模型

3.3.1 RV-DeepLab模型的基本思想

3.3.2 RV-DeepLab模型的结构设计

3.4.1 实验环境

3.4.2 实验数据集

3.4.3 评价指标

3.4.4 实验过程

3.4.5 实验结果分析

3.5本章小节

4 缩小语义分割范围的肝脏CT图像分割模型

4.1引言

4.2相关区域检测算法

4.2.1 R-CNN算法

4.2.2 Fast R-CNN算法

4.2.3 Faster R-CNN算法

4.3.1 DSL模型的基本思想

4.3.2 DSL模型的结构设计

4.4实验及结果分析

4.4.1 实验环境及评价指标

4.4.2 实验过程

4.4.3 实验结果分析

4.4.4 实验对比

4.5本章小节

5 总结与展望

5.1总结

5.2未来工作展望

参考文献

附录

A．作者在攻读学位期间发表的论文目录

B．作者在攻读学位期间参加的比赛项目

C．学位论文数据集

致谢