3D全卷積網絡在脊柱分割中的應用

李 賢，何 潔

(杭州電子科技大學 計算機學院，浙江 杭州 310018)

醫學圖像分割的挑戰和以及進一步研究的動力包括，感興趣的區域和周圍的低對比度，圖像偽影[1]，圖像噪聲和解剖變異。而脊柱分割的挑戰主要包括，形狀的變化和臨近結構的相似灰度。已存在一些脊柱分割的方法，Huang[2]等人提出了一種基于邊緣和區域信息的一種改進的水平集方法，Lim[3]等人中提出了一種包含Willmore流的水平集算法，該方法通過將KDE將先驗形狀，通過Willmore流將局部幾何特征整合到水平集方法中，得到分割結果。Rasoulian[4]等人提出了一種方法，基于多椎骨解剖形態和姿勢模型。這3種方法僅在腰椎上做出了分割。Ma[5]等人提出了一種能夠分割和識別的方法，僅適用于胸椎，他們的方法是基于訓練骨結構的邊緣檢測器和一個可變模型的粗配準到精配準。一種可形變的脊柱模型[6]不能分割不正常的脊柱。Forsberg[7]提出了一種基于圖譜的分割方法，這種方法是基于圖譜圖像和目標圖像之間配準的方法，圖譜圖像中預定義的標簽，被用在分割目標圖像中感興趣的區域。作者指出，這樣的分割基于一種前提條件，分割的數據集不包括任何病理性脊柱或任何顯著的成像偽影。

近年來，神經網絡在很多視覺識別的任務重已經取得的很好的效果[8-9,17]，盡管它已經存在很長時間，但是它的發展受制于可用的訓練集的規模和網絡的規模。文獻[8]的突破在于監督訓練一個大的網絡，有8層，數以百萬計的參數，以及100萬的ImageNet數據集。……