论文部分内容阅读
近年来,由于生态环境恶化及生活饮食不规律等因素,肝脏疾病及肝脏血管疾病的发病率越来越高。为辅助医生进行术前的手术规划,肝脏血管分割变得越来越必要。然而,由于CT图像血管区域对比度低以及不同患者间血管几何结构差异大等问题,精确的对肝脏血管进行分割存在着较大的困难。
随着数据量的增大以及计算机运算能力的提高,以卷积神经网络为基础的深度学习方法受到了广大学者的青睐,相比于传统的方法,深度学习能实现端到端全自动的分割。针对医学图像分割,FCN网络及U-Net网络应用最为广泛。另外,在肝脏血管分割中,存在如下几个难点:1)在CT图像中存在着较多面积较小的肝脏血管区域,在网络下采样的过程中,这些血管区域的特征容易消失,导致小血管区域分割效果较差;2)肝脏血管中肝静脉与门静脉存在像素不平衡问题,网络在学习过程中会更加偏重于像素多的类,导致像素少的类分割效果较差。
针对上述问题,本文主要的内容如下:
①使用二维的FCN和U-Net网络对肝脏血管进行分割,观察二维神经网络在肝脏血管上的分割效果,并对分割结果进行定量分析。
②在二维神经网络的基础上,建立了三维的U-Net网络,并且针对CT图像中血管区域小的问题,将残差网络中的残差块与3D U-Net进行了融合,并探索了在不同位置加残差块后网络的分割性能,最后建立了一种效果最好的3D残差U-Net网络。通过对网络的改进,显著提高了血管的分割效果。
③针对血管中肝静脉与门静脉像素不平衡问题,提出了一种加权的Dice损失函数。另外,本文比较了加权Dice损失函数、加权交叉熵损失函数与Focal损失函数在处理像素不平衡问题上的效果。最后,通过实验得知,本文提出的加权Dice损失函数在缓解像素不平衡问题上效果最好。
④对本文提出的方法(3D残差U-Net网络及加权Dice损失函数)进行了泛化性及准确性验证。通过实验验证,本文提出的模型性能最好。
本文提出的方法在肝静脉、门静脉及整个静脉系统的Dice系数值分别为71.7%、76.5%、75.4%,相比于原始的3D U-Net网络及Dice损失函数,其分割系数分别提高了5.3、2.6、2.6个百分点。另外,相比于二维FCN、二维U-Net网络及其他分割方法,本文提出的方法准确性最高,从而验证了本文提出方法的优越性。
随着数据量的增大以及计算机运算能力的提高,以卷积神经网络为基础的深度学习方法受到了广大学者的青睐,相比于传统的方法,深度学习能实现端到端全自动的分割。针对医学图像分割,FCN网络及U-Net网络应用最为广泛。另外,在肝脏血管分割中,存在如下几个难点:1)在CT图像中存在着较多面积较小的肝脏血管区域,在网络下采样的过程中,这些血管区域的特征容易消失,导致小血管区域分割效果较差;2)肝脏血管中肝静脉与门静脉存在像素不平衡问题,网络在学习过程中会更加偏重于像素多的类,导致像素少的类分割效果较差。
针对上述问题,本文主要的内容如下:
①使用二维的FCN和U-Net网络对肝脏血管进行分割,观察二维神经网络在肝脏血管上的分割效果,并对分割结果进行定量分析。
②在二维神经网络的基础上,建立了三维的U-Net网络,并且针对CT图像中血管区域小的问题,将残差网络中的残差块与3D U-Net进行了融合,并探索了在不同位置加残差块后网络的分割性能,最后建立了一种效果最好的3D残差U-Net网络。通过对网络的改进,显著提高了血管的分割效果。
③针对血管中肝静脉与门静脉像素不平衡问题,提出了一种加权的Dice损失函数。另外,本文比较了加权Dice损失函数、加权交叉熵损失函数与Focal损失函数在处理像素不平衡问题上的效果。最后,通过实验得知,本文提出的加权Dice损失函数在缓解像素不平衡问题上效果最好。
④对本文提出的方法(3D残差U-Net网络及加权Dice损失函数)进行了泛化性及准确性验证。通过实验验证,本文提出的模型性能最好。
本文提出的方法在肝静脉、门静脉及整个静脉系统的Dice系数值分别为71.7%、76.5%、75.4%,相比于原始的3D U-Net网络及Dice损失函数,其分割系数分别提高了5.3、2.6、2.6个百分点。另外,相比于二维FCN、二维U-Net网络及其他分割方法,本文提出的方法准确性最高,从而验证了本文提出方法的优越性。