少样本条件下CT图像三维分割算法及其放疗应用

摘要

研究小样本情况下基于深度学习网络的CT图像分割算法,并将此算法应用于放疗计划系统,以智能化、自动化勾画CT图像肺部危及器官.提出一种基于生成对抗网络与卷积神经网络的CT图像分割模型.一方面提出级联生成对抗网络,在增强图像的同时也将生成新的图像掩模,即图像掩模对,扩充训练样本数据;另一方面,在扩充后的样本数据基础上,利用卷积神经网络获取图像深层特征,充分结合CT图像三维空间信息,提出保持图像尺寸不变的3 D Unet网络,其次针对分割图像边缘粗糙、不够精确问题,采用再训练策略,提出3 D Unet-2 Unet模型优化CT图像分割效果,实现小样本条件下CT图像目标自动识别.最后通过CT肺部危及器官勾画对本文方法进行仿真实验,选取40个样本数据集作为训练集,数据增强扩充至240个样本数据,选取10个样本作为测试集,其分割准确率Dice系数高达96.66％.并与3D UNet、VNet模型进行对比实验,结果表明该方法在勾画精度上优于传统的卷积神经网络,尤其在小样本条件下明显提高CT图像肺部危及器官勾画效果.