论文部分内容阅读
医学图像的分割对于提高疾病的诊断率,制定治疗计划,预后评估等方面具有非常重要的意义。然而医生手动分割不仅耗时而且会有主观偏差。因此,临床应用中迫切需要一种准确、快速、可重复性的自动分割技术,随着数字化,智能化时代的到来,医学图像自动分割技术也取得了快速发展。本文主要研究了两项与医学图像自动分割相关的理论及其应用。首先本文提出了一种级联的3D U-Net用于MRI图像中脑胶质瘤的自动分割,来改善数据样本不均衡对于分割精度的影响。在本实验中,我们使用了BraTS2019数据集,该数据集的80%作为训练集,剩下的20%作为验证集。我们首先在图像预处理阶段将图像中的背景区域裁剪,然后分两步分割胶质瘤子区域,第一步使用四个模态的图像先分割出全部肿瘤(whole tumor,WT),第二步仅使用T1ce,T2和Flair三个模态的图像再将WT分成水肿区域(edema,ED),肿瘤核心(tumor core,TC)以及强化肿瘤(enhancing tumor,ET),并且在第二步中分割肿瘤子区域时我们只用了包含肿瘤区域的图像作为训练集。在3D U-Net中使用P-Relu作为激活函数,因为focal loss可以相对地降低易分样本的损失,侧重于难分样本所以使用focal loss作为损失函数,并且使用了组归一化的方法来保持网络计算的稳定性。在本方法中,WT的分割一方面可以减少数据不均衡对分割结果的影响提高目标样本在训练集中的比例,另一方面可以降低分割结果中的假阳性,评估结果中验证集中对于ET,WT以及TC的DSC和HD95分别为0.731,0.908,0.822以及4.986mm,5.620mm,6.339mm。另外,本文提出了一种基于图论的方法对带有中心性浆液性脉络膜视网膜病变(Central serous chorioretinopathy,CSC)的视网膜层实现自动分割。在本方法中,我们将视网膜层分割问题转化为图的划分问题,首先通过图像垂直梯度和前帧中已分割的图像视网膜各层的平均厚度来计算图结点间的权重,对于比较明显的边界比如ILM,BMEIS以及OB-RPE我们仅使用梯度信息来计算结点间的权重;对于模糊的边界由于相邻两张图像之间视网膜各层厚度变化很小所以我们加入了视网膜层厚度约束,另外相邻两帧图像之间视网膜结构变化不大所以又使用前一帧图像分割好的边界来构造一个相对灵活的搜索区域来约束要分割边界的位置,灵活搜索区域以及使用迪杰斯特拉算法搜索出的最小路径,即为视网膜层的边界。本文分别使用了5个正常眼睛和5个带有CSC病变眼睛的SD-OCT图像(共1280张图像)进行测试,结果显示正常视网膜层分割结果与手动分割结果相比位置误差为9.86±4.52μm,带有CSC病变的视网膜层分割结果与手动分割结果相比厚度误差为10.92±3.86μm。