基于生成对抗网络的肺裂图像分割方法研究

摘要

多数肺部疾病在检测与诊断前，需要医生通过医学影像技术获得的肺裂相关信息进行肺功能评估。手动分割肺裂CT图像，耗费大量人力和时间，因此临床上需要一种自动分割肺裂图像的方法。传统医学分割算法大多需要根据解剖学知识手动设计肺裂特征，由于肺裂结构各异、多存在形变、断裂和附裂等复杂形态，且易与肺器官、血管等组织形成粘连，这些都极大地增加了肺裂分割难度。卷积神经网络灵活的框架结构不仅能自动区分肺裂与非肺裂区域，学习肺裂的各种线状信息，还能自动优化网络参数，避免手动设计特征的局限性。　　本文以肺裂CT图像为研究对象，以降低假阳性率、假阴性率和提高分割准确率为立足点，基于U-Net和生成对抗网络在Glucold数据库中对肺裂分割展开研究，实现了三种不同的分割网络。本文主要的工作总结如下：　　(1)数据预处理。首先对原有数据进行格式转换，提取肺部切片数据。通过数据增强方式丰富训练数据以提升模型泛化能力。　　(2)网络结构设计。为优化U-Net网络性能及计算消耗，设计了Res-U-Net模型，引入的残差模块更利于深层特征的提取；加入的Dropout层，解决了过拟合问题。　　(3)基于生成对抗网络的肺裂分割模型。在Res-U-Net网络基础上，结合生成对抗网络在图像生成任务中的优势，设计了基于生成对抗网络的肺裂分割网络，该网络以Res-U-Net为分割网络，引入的判别器网络用于优化分割网络参数，两个网络相互交替对抗训练，能够更好地提取深层特征以提升分割性能。　　(4)损失函数和判别器网络改进。为减轻语义信息的丢失现象，将原始GAN网络中的损失函数与L1距离结合。另外，为实现更为精准的分割，设计了image和patch两种判别器网络。　　通过对比评价指标和Mevislab三维可视化后的分割结果，证明了基于生成对抗的肺裂分割模型的有效性，并说明了patch判别器具有更好的分割效果。

目录

声明

第 1 章 绪论

1.1 研究背景及意义

1.2 肺裂 CT 图像分割研究现状

1.3 论文研究内容及安排

第 2 章 肺裂分割的相关理论基础

2.1 肺裂 CT 图像分割基础知识

2.1.1 CT 图像基础知识

2.1.2 肺裂基础知识

2.2 卷积神经网络基础知识

2.2.1 卷积层

2.2.2 池化层

2.2.3 激活函数

2.2.4 全连接层

2.2.5 批归一化

2.3 经典分割网络模型

2.3.1 FCN

2.3.2 SegNet

2.3.3 U-Net 网络

2.4 本章小结

第 3 章 基于改进 U-Net 的肺裂图像分割模型

3.1 肺裂分割算法流程

3.2 基于 U-Net 的肺裂 CT 分割网络

3.3 基于残差模块 U-Net 的肺裂分割网络

3.3.1 残差模块

3.3.2 Dropout

3.3.3 损失函数

3.3.3 基于残差模块的 U-Net 肺裂分割网络

3.4 实验与结果分析

3.4.1 实验数据及处理

3.4.2 肺裂分割评价标准

3.4.3 实验环境及参数设置

3.4.4 曲线变化分析

3.4.5 评价指标分析

3.4.6 分割效果对比

3.5 本章小结

第 4 章 基于生成对抗网络的肺裂图像分割模型

4.1 生成对抗网络

4.1.1 基本原理

4.1.2 GAN 训练过程

4.2 基于生成对抗网络的肺裂图像分割流程

4.3 网络设计

4.3.1 生成器网络设计

4.3.2 image 判别器网络设计

4.3.3 patch 判别器网络设计

4.3.4 损失函数设计

4.4 模型训练及参数优化过程

4.4.1 生成器网络优化过程

4.4.2 判别器网络优化过程

4.5 本章小结

第 5 章 基于生成对抗网络的肺裂分割实验与评估

5.1 实验数据及环境

5.2 肺裂分割评价标准

5.3 实验结果与分析

5.3.1 模型训练情况分析

5.3.2 测试结果图形分析

5.3.3 测试曲线分析

5.4 实验结果总体比较

5.4.1 评价指标比较

5.4.2 分割结果三维可视化对比

5.5 本章小结

总结与展望

总结

展望

参考文献

致谢