论文部分内容阅读
血管尺寸很小且分支结构异常复杂,因此血管的自动分割迄今为止仍然是医学图像分割的一个巨大挑战。传统的血管分割算法有阂值法、区域生长法和形态学法等,这些算法不是需要人工参与,就是对那些对比度不明显或存在疾病的血管分割出现问题,且分割效果不佳。基于神经网络的医学图像分割无需人为设计特征量,可以自动从大量样本图像中学习图像特征,实现图像分割的目的。目前,实现了医学图像中眼底血管、脑血管和肺血管的分割,而肝脏中的血管与器官对比度不明显,分割难度较大,因此很少有人将其用于肝脏静脉分割,因此,本论文尝试用深度学习的方法自动学习血管的特征,对CT图像中的肝脏静脉血管进行分割。本文提出的基于二维卷积神经网络的血管分割算法,对肝脏静脉血管有良好的分割效果,但二维卷积神经网络丢失了 CT图像的三维信息,影响分割精度。为了提高血管分割的准确率,本文在二维卷积神经网络的基础上设计了三维卷积神经网络,应用于肝脏血管的分割。本文提出的基于深度卷积神经网络的血管分割算法,使用不同大小的数据块作为输入,并通过多层卷积神经网络来获取图像的特征,最终实现血管的自动分割。具体从以下几个模块对肝脏静脉血管的分割进行研究:(1)首先采用灰度变换增加CT图像的亮度和对比度,在初期样本标记的繁琐过程中,使用阈值法和三维打标签的方法,减少工作量和节省了很大一部分的时间和精力。最终在专业医师的指导下,结合手动来标记血管样本,完成了血管的金标准采集工作。(2)提出基于二维卷积神经网络的血管分割算法,通过输入不同大小的图像块,不断调整网络的结构和参数,利用Google开发的深度学习的框架TensorFlow进行数据流的处理。最终,针对不同大小图像块的训练得到的模型进行测试,得出了在输入图像块大小为25*25的时候,血管分割的实验结果的Dice相似系数、准确率、召回率相对较好,Dice相似系数可达到0.9031,准确率为0.8161,召回率为0.9989。(3)针对第三章提出的深度卷积神经网络的血管分割算法仅局限在二维的基础上,考虑到CT图像的特殊性,提出基于三维卷积神经网络的血管分割算法。最终,基于三维卷积神经网络的肝脏静脉血管分割的算法的Dice相似系数提高到了 0.9243,准确率为0.8611,召回率为0.9976。实验结果表明了三维卷积神经网络的算法的可行性,可以获得比二维输入数据更好的实验结果。