论文部分内容阅读
随着生活压力的增大,人们的生活节奏越来越快,生活习惯越来越不规律,这就可能会引起比如肝脏肿瘤、脑肿瘤等恶性疾病的发生,而肝脏肿瘤的发病率是最高的。计算机断层成像(Computed Tomography,CT)是当前最为常用的医学成像技术,能够帮助医生对肝脏肿瘤进行更加精确的分割。目前,手动分割虽然比较精确,但是对医生的专业水平和经验要求很高,而且效率非常低。半自动分割方法虽然比手工分割提高了效率,但是仍然需要人工的干预,容易受个人主观意识的影响。虽然出现了一些全自动分割方法,但大部分是传统的机器学习方法,需要人工设计实验去提取特征,而且特征提取需要研究者具有丰富的经验,还要花费大量的时间。本文采用基于深度学习的全自动CT图像肝脏肿瘤分割方法及改进方法进行研究。首先,针对手动分割、半自动分割和传统的全自动分割方法的缺点,本文使用全卷积神经网络FCN来对肝脏肿瘤CT图像进行分割。本文使用VGG-16作为基础网络,将最后的几层全连接层转换为卷积层,再经过上采样和信息融合等操作构造全卷积神经网络FCN。实验表明,使用全卷积神经网络FCN对肝脏肿瘤CT图像分割能够得到不错的效果。然后,本文采用U-net网络对肝脏肿瘤CT图像进行分割,并且得到了比FCN网络更优的结果。为了防止在神经网络训练时,可能会出现模型收敛速度慢和梯度消失等问题,本文在新构造的DN-U-net网络结构中增加了一部分规范层,可以提高网络的泛化能力。为了可以有效的减少网络参数,缩小网络模型的大小,提升网络模型的运算速度,本文把新构造的DN-U-net网络结构中的普通卷积替换成了深度可分离卷积(Depthwise Separable Convolutions)。实验表明,增加了规范层和将普通卷积换成深度可分离卷积后的DN-U-net网络分割效果更好,得到的网络模型更小,并且在U-net网络中加入最新提出的组归一化(Group Normalization,GN)层要比加入批量归一化(Batch Normalization,BN)层的精确度更高。最后,本文使用一种传统的半自动分割方法,即区域生长法,对CT图像肝脏肿瘤CT图像进行了分割。通过对比传统方法和深度学习方法对肝脏肿瘤CT图像分割的实验结果,可以得到基于深度学习的全自动分割方法要优于传统的区域生长法。