论文部分内容阅读
肝癌在全球六大癌症中,发病率排行第二,而我国的肝癌患者量高居世界榜首。在医学研究领域中,为尽早诊断并治疗患者的肝脏疾病,CT肝脏影像自动分割是临床治疗的关键一步,也是计算机辅助诊断及辅助肝脏手术的重要步骤。但由于肝脏的大小、形状因人而异,且CT影像中肝脏与毗邻的器官灰度对比度较低,很难精准判断肝脏影像的边界信息,从而无法精确地分割出肝脏影像。针对以上问题,提出一种改进的RV-FCN网络模型的分割方法。主要研究工作如下:（1）针对3DIRCADb公开数据集,为避免原图像中的噪声对肝脏影像分割造成干扰,提出一种融合自适应阈值归一化策略的改进BM3D方法对其进行去噪处理。在去噪之前,先对原图像进行调窗处理;然后利用BM3D方法对图像进行去噪,在去噪过程中融合自适应阈值归一化方法解决在CT扫描过程中产生的光线分布不均匀问题,同时提高图像的对比度。通过实验验证了本文方法与其他几种方法对比,本文方法去噪效果相对较好。（2）提出一种改进的RV-FCN网络结构模型自动分割CT肝脏影像。该方法主要在全卷积神经网络（Fully Convolutional Neural Network,FCN）模型基础上,加入残差（ResNet）和VGG-16网络的最优结合。同时为提高网络的泛化能力和收敛速度,增加批归一化（Batch Normalization,BN）和PReLU激活函数。为了避免网络在训练过程中出现过拟合现象,对损失函数进行2L规范化处理。对改进后的模型进行训练测试,得肝脏影像的初始分割结果。采用条件随机场（Conditional Random Fields,CRF）方法,对肝脏影像初始分割结果做进一步优化,以提高分割的准确率。通过具体的实验测试结果验证了改进后网络模型的实用性和精准性。（3）基于VTK平台,利用光线投射算法（RayCasting）对分割后的二维肝脏影像重建为三维立体结构,便于医学专家更加直观地目测肝脏形状、大小以及病变位置的具体信息,以提高病情诊断和临床手术的准确性。