论文部分内容阅读
本文主要针对食管癌放疗靶区以及周围危及器官同时分割的技术进行研究。近年来,医学图像分割/器官分割以卷积神经网络为主。虽然取得了令人鼓舞的成绩,但也存在两个缺点。一方面,关于单器官分割的文献较多,而针对多器官分割问题的文献较少。另一方面,许多分割方法在自然图像分割数据集上的多目标分割效果较好,但在食管癌医学图像分割上的效果欠佳。针对上述问题,本文就医学图像器官分割开展研究,主要工作如下:（1）为了能够准确地分割器官区域,本文在U-Net网络中增加归一化处理层,加快网络收敛速度,防止梯度消失,从而提高分割的精度。另外,为了能够提升卷积神经网络模型的分割速度,本文巧妙地利用1×1卷积核和合适的卷积通道数来降低模型参数,从而提高了器官分割效率。（2）为了将Mask R-CNN算法更好的运用与食管癌器官分割中,本文对Mask R-CNN算法做出四点改进,提出了一种新的分割算法,名为MsMR-Net的深度学习算法。其具体改进部分为:a)改进Mask R-CNN算法特征提取网络中的ResNet网络结构,使得主干网络更好的获得食管癌图像器官信息;b)对区域建议网络得到的ROI进行多尺度ROI Align操作,融合多层特征图信息。c)在原来的Mask分支基础上增加了包含两个3*3卷积层的全卷积网络分支,将这两个分支的输出Mask进行融合,得到最终的分割结果。d)由于本文是针对食管癌器官图像分割,因此对边界的分割结果很敏感也非常重要。所以本文对损失函数Lmask提出改进,即在其中加入边界加权损失函数。（3）同时本文将训练好的模型使用OpenCV4.0（Open Source Computer Vision Library）4.0（Open Source Computer Vision Library）成功移植到Windows端,同时结合QT、VTK（Visualization ToolKit,VTK）、ITK（Insight Segmentation and Registration Toolkit,ITK）设计了一个图像分割软件。该软件功能包括可以读入一个序列食管癌DICOM（Digital Imaging and Communications in Medicine,DICOM）医学CT图像,并通过点击相应的按键,可以在读取的图像每层切片上显示出使用本文算法训练出的模型所分割的目标器官区域。极大的方便操作使用,可以给医生在食管癌放疗治疗方案中做参考。