论文部分内容阅读
肝肿瘤是一种严重威胁人类身体健康的一种常见的疾病,具有预后较差以及生存率低等特点。作为肝癌诊断与治疗必不可少的重要环节,肝肿瘤分割的精准程度将直接影像患者的预后效果。随着计算机计算能力的不断发展,计算机辅助医疗以其精准性与便捷性被广大的医护工作者所接受,如何从CT切片中准确的分割出肝肿瘤成为一个难点。肝肿瘤存在大小差异,形状不一,位置分布与数量也不固定,而且CT影响中普遍存在肿瘤轮廓模糊以及噪声干扰等问题。由于肝肿瘤的分布复杂性,基于传统形态学的图像处理算法以及基于机器学习的手动特征选择的分割方法对于肝肿瘤的分割效果不是很理想。本文提出了一个端到端的全卷积神经网络,相比于其他语义分割网络,该网络对于CT模态肝肿瘤的分割效果有了一些提升。优秀的特征工程决定模型训练的效果,首先进行数据预处理与数据增强,本文选择Li TS与3Dirca Db这两个CT模态的腹部三维CT扫描数据并将其横断面切片,选取具有肿瘤分布的切片作为本文的训练数据并且使用随机弹性变换与随机仿射变换进行数据增强,使得肿瘤在CT切片中的分布更加复杂;之后为了提高网络对不同尺度肿瘤以及肿瘤边缘的分割能力,在基准网络Attention-Unet上加入了上下文信息提取结构,该结构由基于空洞卷积的DAC模块与多核池化RMP模块构成。其中DAC模块保证了网络在提取高级语义信息的同时最大限度地减少细节信息的损失,RMP模块提高了网络对多尺度特征的提取能力,并且一定程度上融合了细节信息与语义信息;接下来,针对交叉熵损失对肿瘤分割不够精细以及Tversky损失收敛较慢且训练过程不稳定的问题,本文提出了一种基于交叉熵损失函数与Tversky损失函数的动态加权混合损失函数,该损失函数能通过训练迭代次数分配两种损失函数的权重,在训练初期由交叉熵损失主导肝肿瘤的初分割,在训练后期由Tversky损失主导肿瘤边缘的精细化分割,该损失可以充分发挥不同损失函数的优势;最后为了加快模型的收敛速度,我们利用残差模块与批归一化对改进后的网络结构进行了优化,通过加载Res Net-34的预训练权重进行迁移学习。经过实验测试,本文提出的基于上下文信息提取结构的网络模型不仅对多尺度肝肿瘤有良好的分割效果,对肿瘤边缘的像素点也能实现精细分割。在目前公开的主流医学语义分割网络中,本文提出的方法在Dice系数等分割评价指标中有明显的提升。