生物医学图像处理是人工智能和计算机视觉的一个交叉研究领域,提供了复杂和自动化的技术,以解决问题并提升性能。这对于医生利用先进的技术和方法进行疾病的自动诊断并取得准确的诊断结果具有重要意义。医学图像分割用于在早期诊断各种疾病,同时不同种类医学图像的分割是医学图像分析的主要部分,例如分割肝器官或其他人体器官。如今,随着肝癌患者的增加,肝器官分割己经逐渐成为是一个亟待解决的问题。虽然目前许多肝脏的自动分割技术有所发展,但由于肝脏与其他器官位置上模糊背景上复杂,肝脏边界的复杂和肝脏外观的多样性,使得肝脏的分割仍然是一项艰巨的任务。因此,开发一种从CT扫描中自动分割肝脏和肿瘤的方法对肝癌诊断分析具有重要意义。因此,在本课题的研究中,我们专注于开发基于CNN的训练模型,以基于ResUNet分割肝脏和肝脏肿。首先,我们描述了肝癌疾病和医学模式,以突出肿瘤对人体的影响,然后描述了与这些模式相关的各种问题。肝癌是全球最主要的致死癌症之一。从3D生物医学图像或CT扫描中自动分割肝脏对于许多临床应用是一项非常重要并且极具挑战性的任务,如手术规划、肝脏疾病、术后分析等,它可以帮助医生更快、更准确地分割肝脏肿瘤。此外,由于肝肿瘤与其他器官在强度值上的重叠和位置上的变异性,进一步增加了从肝脏分割肿瘤的难度。其次,介绍了一些用于肝脏分割和肿瘤分割的CNN模型,如U-Net,ResNet-50和VGGNet-19。但我们发现,这些CNN训练模型结构复杂,分割边界模糊,仍然不能提供足够的信息来分割肝脏和肿瘤。第三,使用CNN解决了肝脏和肿瘤分割遇到的问题,在IRCAD的3D-IRCADb01数据集上使用ResUNet模型,该数据集包含患者的CT切片以及肝脏、肿瘤和其他身体器官的遮罩。ResUNet是U-Net和ResNet 的混合组合,其中使用残差块而不是传统的卷积块。在我们的技术中,采用了不同的策略,如3-slice法;使用VGGNet-19和RestNet-50作为基础网络和ResUNet方法。我们通过检查肝脏和肿瘤的最终结果,对比不同策略组合的效果。数据集包含10名女性和10名男性,其中75%的病例中患有肝肿瘤。我们使用两种级联CNN方法,一种用于分割肝脏并提取ROI,第二种用于从第一个CNN中提取ROI并分割肿瘤。获得了高达95%的骰子系数和99%的真值准确度,结果表明,我们的方法给予最好的DICE分数。最后,重申了研究特点和创新,明确提出的方法提供了更好的效果,更有效的损失函数的基础,交叉数据集的交叉应用,这可以改善从任何数据集分割腹部器官的模式。如利用ResUNet的优点,从DICOM图像中分割心脏和血管,从MRI中分割肝脏等。