论文部分内容阅读
影像诊断是发现器官病变的常用手段,一般情况下,需要经验丰富的医师通过人工观察影像来判断,但是人工诊断的正确性受限于医师的能力,同时较多的影像数量也给阅片带来了巨大的压力。近年来,随着神经网络技术的快速发展,越来越多的计算机视觉任务运用卷积神经网络技术取得了较大进步。本文对基于卷积神经网络的肝分割技术做了研究,其中肝分割包括肝实质分割和肝病灶分割,主要完成了以下工作:本文在UNet网络结构的基础上,设计了用于医学影像数据的三维全卷积肝分割网络结构,考虑到医学影像数据是一种器官边缘特征模糊复杂的三维结构数据,该网络结构中使用了跳跃式连接、空洞卷积、下采样、反卷积等特殊设计。其次为了避免因数据集类别不均衡而导致的分割不精确问题,网络优化时采用了DICE损失函数。最后为了提高三维全卷积网络的泛化能力,在自有数据集上对原始网络进行了微调。在肝分割研究的基础上,本文进一步做了肝病灶的分割研究。针对肝病灶分割,设计了一种混合密集连接UNet网络。考虑到肝病灶一般为体积小且形态多变的三维结构数据,本文首先设计了三维密集连接UNet网络,其中使用了UNet、密集连接、下采样、反卷积等结构。但是三维网络带来了网络训练复杂、时间长等问题,进而利用结构相对简单的二维密集连接UNet网络预提取特征的思想,将二维网络提取到的特征作为三维密集连接UNet网络的输入。最后为了充分利用已经提取到的二维特征(切片内特征)和三维特征(切片间特征),设计了联合二维特征和三维特征的特征混合网络结构,该结构中巧妙地使用了数据特征通道和数据批量数的特殊变换机制,实现了二维数据和三维数据的相互转化。为了验证文中算法的有效性,本文在LiTS(Liver Tumor Segmentation Challenge)数据集和自有数据集上进行了实验。针对三维全卷积肝分割网络,训练网络采用LiTS训练集,测试网络采用LiTS测试集和自有数据集;对于微调三维全卷积网络,微调网络采用自有数据训练集,测试网络采用自有数据测试集。实验结果表明,本文网络的DICE分割指标比其余方法中最好的3D UNet高0.6%,并且微调后的模型在自有数据上的DICE分割指标比原有模型高1.6%。针对混合密集连接UNet肝病灶分割网络,训练网络采用LiTS训练集,测试网络采用LiTS测试集和自有数据测试集。训练网络时采取了分阶段训练的方式,实验结果得出混合密集连接UNet网络的分割指标比其它网络至少高4.8%。