论文部分内容阅读
肝脏肿瘤的恶性度高,病情发展快,死亡率位居世界第二,而我国是肝癌的高发地区之一。随着医学成像技术的发展,计算机断层扫描技术(CT)在肝脏疾病的相关诊断中被广泛应用,并且已成为诊断肝脏疾病的首选方法。利用计算机图像处理技术,结合医学影像诊断技术,对肝脏疾病进行早期诊断、三维建模以及定量分析,能够使医生在术前掌握充足的数据,进行术前规划,提高手术的成功率并拟定合理有效的治疗方案。从腹部CT影像中准确可靠地分割肝脏轮廓,是肝脏疾病的早期诊断、肝脏大小及病情的估测和三维建模的第一步,也是非常关键的一步,其分割结果对后续工作有着直接的影响。在实际的临床应用中,一般通过拥有相关实践经验和专业知识的医师从CT影像中手工分割肝脏轮廓,但是,这个过程是非常耗费时间和精力的,而且受不同医师的主观因素、经验以及知识的差异的影响,往往会得到不同的分割结果。所以,为减轻医生的工作负担,提高工作效率,也为了获得更加客观、准确的分割结果,必然要引入计算机辅助诊断技术,帮助专业医师分割肝脏CT图像。传统的肝脏分割方法,是以图像处理方法为基础,主要依赖于图像的一些浅层特征,如:灰度、统计结构以及纹理等来分割肝脏轮廓。这种特征可以从图像中直接获得,或者通过人工设计的提取算子获得。这些浅层特征的鲁棒性较低,代表性不强,也易受到噪声的干扰。实践证明,往往是那些抽象的、深层的特征更具代表性。深度学习技术能够从大量数据中挖掘数据深层的抽象的特征,将其应用到肝脏分割任务中能够提高分割的精度和鲁棒性。本文提出了一种基于全卷积神经网络的CT影像肝脏分割的方法。我们以经典的卷积神经网络Alex Net为基本框架,对其网络布局做了一定的改动,使其成为全卷积网络结构。实验中使用大量的已标注好的腹部CT影像对网络进行训练,借由构造好的代价函数更新网络参数。为解决使用传统激活函数造成的梯度消失等问题,采用Re LU函数作为激活函数,同时为缓解过拟合问题,在网络中使用Dropout技术,增加网络的泛化能力。由于深度网络高层的输出缺乏足够的细节信息,导致获得的分割结果比较粗糙。为解决这个问题,本文提出了一种融合低层和高层特征的网络结构,通过将低层的局部细节信息与高层的抽象的语义信息融合,进而获得更加精确地分割结果。实验结果表明,本文提出的算法具有较好的鲁棒性和精度,同时与基于Patch的方法相比,本文方法具有更高的效率。