论文部分内容阅读
通过计算机断层扫描(Computed Tomography,CT)技术,可以获取大量多视角、多方位的腹部CT影像。基于腹部CT影像实现精准的胰腺器官分割是计算机辅助系统进行疾病诊断、医学影像分析、肿瘤消融手术规划的前提和关键步骤。但是,腹部CT影像中相邻器官间模糊的边界与高灰度相似性等特点,以及在不同病人之间胰腺器官的位置、形状、大小的差异性,为胰腺器官分割带来一定的挑战。深度卷积神经网络在图像分割领域的出色表现展示了其超强的学习能力,为胰腺器官分割提供了新的研究思路。因此,本文围绕着基于深度卷积神经网络的胰腺器官分割展开了以下研究工作:(1)胰腺器官在CT切片中有非常不同的尺度和形状,需要合适大小的感受野才能实现精准的分割结果。因此本文使用k U-Net网络,通过两个U-Net子网络在不同尺度的CT切片上协作,完成CT切片内部的多尺度上下文信息提取。另一方面,医学CT影像中,上下层切片之间具有空间连续性,即相邻切片之间存在空间上的序列上下文信息。因此本文在使用k U-Net网络提取切片内部上下文信息的基础上,进一步设计了双向卷积门控循环网络(Bi-Directional Convolutional Gated Recurrent Unit,BDC-GRU),以提取CT切片空间上下文信息。实验结果表明,结合k U-Net网络和BDC-GRU网络的算法可以有效提高胰腺器官分割精准度,戴斯系数(Dice Similarity Coefficient,DSC)指标达到87.63%。(2)胰腺器官在整张CT切片中,所占比例较小,导致现有的全卷积网络难以学习到有效的信息,从而使得胰腺器官的分割效果并不十分理想。针对该问题,本文提出了一种具有层级监督的金字塔网络。该金字塔网络通过带有跳跃连接的编码器解码器结构,可以将具有高分辨率的浅层特征和具有强语义信息的深层特征进行融合,形成具有丰富信息的金字塔语义特征。最后,通过引入层级监督,使得该金字塔网络在训练过程中可以充分学习有效的信息。充分的实验证明,本算法可以实现精确的胰腺器官分割结果,DSC系数提高到88.28%。(3)胰腺器官的边界比较曲折多变,为了进一步提升胰腺器官的分割效果,需要保证胰腺器官中较难分割的边界区域得到精准分割。因此,本文在金字塔网络的基础上,设计了细粒度的精修网络,实现金字塔语义特征的融合。最后提出结合金字塔网络和精修网络的胰腺器官分割算法,完成胰腺器官分割结果的修正。实验结果证明了精修网络的有效性,以及该分割算法在金字塔网络的基础上,将胰腺器官分割效果提升了0.48%,DSC系数达到88.76%。