基于深度學習的肝臟腫瘤圖像分割

黃佳佳+趙曙光+張笑青+楊峰+許方成

摘要：傳統(tǒng)肝臟CT 圖像腫瘤分割算法常需引進先驗信息，分割效率低，無法滿足臨床實時性要求。針對這些問題，提出基于卷積-反卷積神經網絡的肝臟腫瘤圖像分割算法，自動提取肝臟腫瘤的特征。實驗表明，DSC指標約85.32%，且分割每幅圖像只需用時3至5秒，實時性好。

關鍵詞：肝臟CT圖像；腫瘤分割；反卷積網絡；自動提取特征

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2017）11-0081-02

近年來，有許多算法實現肝臟及其腫瘤圖像的分割，但這些算法存在的共性是在處理的過程中或多或少的需要人工干預。如Seung-Jin Park等[1]提出基于最優(yōu)閾值的肝臟腫瘤圖像分割，該方法的缺點是必須先將肝臟分割出來，然后才能對腫瘤進行分割。本文提出一種基于卷積-反卷積神經網絡的肝臟腫瘤圖像分割方法，能夠自動分割肝臟腫瘤圖像。

1 卷積神經網絡

卷積神經網絡（Convolutional Neural Networks，CNN）[2]是深度學習算法中的一種，CNN由多個層次組成的可訓練的架構，每一層的輸入和輸出包含多個特征映射層，主要由若干個卷積層、池化層、激活函數層以及全連接層組成。

2 肝臟腫瘤圖像分割方法

2.1 圖像的預處理

如圖1所示，（a）是原始的肝臟CT圖像，在直方圖均衡化之后的（b）中，肝臟腫瘤和其它組織的灰度值有明顯的差異，這將有助于提取有效特征。由于圖像采集時受到設備噪聲的影響，CT圖像中含有噪聲。本文采用中值濾波器對其進行濾波，結果如（c）所示，濾波效果較好。

2.2 卷積-反卷積神經網絡

如前文所述，由于卷積網絡在池化過程中縮小了圖片的尺寸，而對于圖像分割的任務，最終需要得到與原圖尺寸相同的結果，為了解決此問題，文獻[3]引入反卷積網絡，其主要由反卷積層和反池化層組成。

本文在卷積網絡的基礎上加上對稱的反卷積網絡，構成卷積-反卷積網絡。在網絡中，本文增加Batch normalization層[4]，使模型盡可能地收斂到全局最優(yōu)解。

3 實驗與結果分析

3.1 實驗數據集

本次實驗采用MICCAI 2017數據集。本實驗中從數據集中篩選出含有腫瘤的樣本，得到訓練圖像4983張，測試圖像2141張，尺寸為像素。

3.2 實驗流程與評價指標

實驗流程是先對圖像進行預處理，再將預處理過后的圖像作為訓練集提供給卷積-反卷積網絡進行訓練。利用訓練得到參數模型對測試圖像進行分割之后，利用MATLAB對分割圖進行后續(xù)處理能得到分割最終結果（如圖2）。本實驗的評價指標分別采用：a）Dice相似系數；b）準確率；c）召回率等醫(yī)學圖像分割的常用指標。Seg表示為算法分割結果，Ref為金標準，TP表示真陽性，FP表示假陽性。FN表示假陰性。

3.3 實驗結果及分析

部分實驗結果如圖2所示。圖中的藍色的實線是標準分割的結果，紅色的線條是本文的分割結果。從圖中可看出，本文的肝臟腫瘤預測接近真實值，分割的準確度較高。

本文的方法與Adaboost[5]、Random Forests[6]等傳統(tǒng)分割方法進行比較，在DSC（%）指標中Adaboost、Random Forests及本文的算法分別是77.22%、78.94%、85.32%。Precision（%）指標中三種算法的指標分別是77.34%、80.99%、86.53%。Recall（%）指標中三種算法的指標分別是82.91%、83.43%、85.37%。本文分割方法的效果好于其它方法。分割一幅圖像只需2至3秒，速度明顯快于其它算法。

4 結語

本文結合肝臟CT圖像的特點，提出了一種基于全卷積-反卷積的肝臟腫瘤圖像分割方法。該方法無需手工設計特征，自動提取的深層特征能很好地描述圖像變化。經過實驗證明，該方法對肝臟腫瘤圖像分割具有較好的準確性和實時性。

參考文獻

[1]Park Seung-Jin，Seo Kyung-Sik，Park Jong-An.Automatic hepatic tumor segmentation using statistical optimal threshold[J].Lecture Notes in Computer Science，2005，3514：275-283.

[2]Y.Le Cun，L.Bottou，Y.Bengio，P.Haffner.Gradient-based Learning Applied to Document Recognition. Proceedings of the IEEE， 86（11）：2278-2324，1998.

[3]NohH，HongS，HanB.Learning deconvolution network for semantic segmentation[C]//The IEEE International Conference on Computer Vision .NewYork：IEEE，2015：1520-1528.

[4]S.Ioffe and C.Szegedy.Batch normalization：Accelerating deep network training by reducing internal covariate shift.arXiv preprint arXiv：1502.03167，2015.5.

[5]Y.Freund，R.E.Schapire. A Decision-theoretic Generalization of On-line Learning and An Application to Boosting.Journal of Computer and System Sciences，55，1997.

[6]L.Breiman.Random forests.Mach.Learning，45（1）：5-32，2001.

Abstract：The traditional liver CT image segmentation algorithm often needs to introduce prior information， and the segmentation efficiency is low， which can not meet the real-time clinical requirements. To solve these problems， an algorithm of hepatic tumor segmentation based on convolution-deconvolution neural network is proposed to automatically extract features of liver tumors. Experiments show that the DSC index is about 85.32%， and the segmentation of each image takes only 3 to 5 seconds， good real-time.

Key Words：liver CT image； tumor segmentation； deconvolution network； automatic extraction of featuresendprint