论文部分内容阅读
肝部的结构复杂、血管丰富,是人体腹部最大的器官。肝脏癌变概率高,癌变种类多。肝癌是三大致命癌症之一,仅在2012年就造成全球745000名患者死亡。目前,计算机断层扫描(Computed Tomography,CT)是检查肝脏肿瘤最常用的方式,肿瘤切除、介入、和放射等方式是最主要的治疗手段。准确地在手术前得知肿瘤的大小、数量和位置等信息可以制定科学合理的手术方案,是手术成功的必要条件。因此,肝脏肿瘤患者治疗前必须完成肝脏肿瘤的精确分割。以下几点体现了肝脏肿瘤分割的难点所在:首先,肝脏周围器官和血管丰富,正常组织和病变区域界线模糊不清;其次,肝脏肿瘤CT图像表现差别很大,肿瘤灰度不匀称等;最后,肝脏肿瘤患者差异巨大,肿瘤的位置、形状和大小变化莫测。在医疗诊断中,人工分割存在不一致、花费大量时间等问题,许多半自动、自动肝脏肿瘤分割方法被相继提出。半自动分割方法需要人工干涉,依托人的主观性和经验。自动分割方法主要是利用机器学习方法来完成的,需要凭借经验,经过海量计算手动提取大量特征。自动肝脏肿瘤分割依然是医学图像处理领域中的研究难点和热点。本文针对以上问题开展了相关研究,主要研究内容如下:1.提出了基于多重监督全卷积网络(Multiple Supervised Fully Convolutional Networks,MSFCN)的自动肝脏肿瘤分割方法。深入研究现有用于图像分割的深度学习方法,包括卷积神经网络(Convolutional Neural Networks,CNN)及其改进后的全卷积神经网络(Fully Convolutional Networks,FCN),分析对比了两种方法的优缺点。在此基础上提出了基于多重监督全卷积网络(Multiple Supervised Fully Convo-lutional Networks,MSFCN)的自动肝脏肿瘤分割方法。在全卷积网络结构中,监督输出层被添加到第三层之后的每层卷积,以便引导多尺度特征学习,更好的捕捉肿瘤图像的局部特征和全局特征。实验结果表明,多重监督全卷积神经网络在肝脏肿瘤分割上性能更佳。2.结合全卷积神经网络和3D条件随机场(Conditional Random Fields,CRF),提出了级联全卷积神经网络(Cascaded Fully Convolutional Networks,CFCN)和3D条件随机场的肝脏肿瘤分割新方法。使用级联全卷积神经网络模型训练时去除了肝脏周围环境的影响,最后利用3D条件随机场优化级联全卷积神经网络得到的分割图像,提取肝脏肿瘤图像边缘信息,以解决肝脏肿瘤边界不清晰的问题,完成分割。相对于MSFCN,此方法分割结果优于CNN和FCN的分割结果,具有较高的准确性和鲁棒性。