论文部分内容阅读
医学图像分割是临床诊断中的重要步骤之一,对病灶或肿瘤区域的精确分割,是在临床治疗中杀死病变细胞并保护未发生病变区域的重要依据之一。实际应用中,分割这一重要步骤通常由拥有丰富实践经验的专业医生手动进行,工作量大,耗时长。引入计算机辅助诊断系统自动分割医学图像的感兴趣区域可以极大提高医生的效率。传统的自动分割方法大多基于图像处理技术,依靠一些浅层的特征,如灰度、纹理等实现分割。这些浅层特征的鲁棒性差,抗噪能力弱,不能充分表达感兴趣区域的内在本质特征,因此模型的泛化能力不好。深度学习技术可以自动从数据中学习到具有良好判别能力和泛化能力的深层抽象特征,将提取到的特征运用到对医疗图像进行分割的任务中,能显著的提升分割结果的精度。本文的主要研究内容如下:(1)提出一种基于深度学习的医疗图像分割框架。本文以全卷积神经网络为基础,将卷积层都修改为3D卷积,并在网络中添加skip-connection,使之符合U-Net网络的架构,用于对CT影像中肺结点的分割。(2)研究了减少分割结果中的假阳性的方法。对数据预处理中的肺部区域提取以及CT重采样进行了Ablation实验,观察对分割结果假阳性率的影响。(3)对U-Net网络中skip-connection的有效性进行了探讨。本文对U-Net中skip-connection进行了Ablation试验,对比了是否加入skip-connection对分割结果召回率和假阳性率的影响。(4)提出一种假阳性衰减算法。本文对分割的结果进行了假阳性衰减试验,具体做法是训练一个分类网络,对分割的结构进行进一步筛查,判断分割所得结果是否是真正的结点,并绘制了相应结果的FROC曲线。本文的方法在天池医疗AI大赛初赛的测试集A上进行了评测,分割的召回率达到92%,且平均每个CT仅有10个假阳性。为了与其它方法进行比较,我们还在公共数据集LUNA16上进行了评测,最终分割的召回率为93%,从最终的FROC曲线可以看出,我们的方法在召回率上优于LUNA16榜单上的大部分算法。