基于卷積神經網絡的CT影像邊緣分割方法

徐鳳翎

(江蘇大學醫學院，江蘇 鎮江 212013)

0 引言

醫學圖像處理通常是指通過精準的醫學圖像分割技術使得病變區域或器官的變化情況能夠得到更加清晰地顯示[1]，可以為提高醫學診斷的效率和正確性提供有效的輔助[2-3]。

現階段的醫學圖像分割研究，針對RGB圖像居多。隨著醫學成像設備的不斷發展及其在實際應用方面的普及程度不斷提升[4]，在圖像輔助方式階段，X射線、CT(Computed Tomography，計算機斷層掃描)、NMRI(Nuclear Magnetic Resonance Imaging，核磁共振成像)在臨床的使用率逐漸提高，醫學圖像不僅在診斷疾病、評估預后情況分析階段發揮著重要價值，也間接影響著手術規劃[5]。因此，對該類圖像的分割技術進行深入研究是十分必要的。

有關研究如文獻[6]在改進核模糊聚類的基礎上，將其與邊緣保持濾波技術融合，應用到腦腫瘤圖像分割的研究中，極大程度上提高了分割的精度，但是具體的分割效果受影像質量的影響較明顯。文獻[7]以超聲圖像為研究對象，利用特征融合的方式實現對邊緣引導乳腺超聲圖像的分割處理，分割結果表現出了較高的準確性，但是該方法同樣受圖像質量的影響嚴重。

在上述情況下，本文提出了一種基于卷積神經網絡的CT 影像邊緣分割方法，利用卷積神經網絡在數據分析方面的優勢，實現了對CT 影像邊緣的精準識別與分割。

1 CT影像邊緣分割方法設計

1.1 CT影像數據歸一化處理

在利用卷積神經網絡對CT 影像邊緣進行分割處理時，為了保障分割的精度，在分割前對CT 影像數據進行歸一化(BatchNormation，BN)是十分必要的[8]，不僅如此，就卷積神經網絡而言，該部分操作也是十分重要的組成部分之一[9]。需要特別注意的是，利用簡單的卷積對輸入CT 影像進行抽象特征信息提取時，受卷積過程的影響，會造成不同程度的特征信息丟失[10]。而通過歸一化處理的方式，可以有效緩解該問題。本文在對CT 影像數據進行歸一化處理時，將輸入CT 影像的像素信息按照高斯分布的方式進行統一排布，并且在具體的分布方面，遵循均值為0，方差為1的標準。在此基礎上，通過訓練迭代的方式，使得每次輸入卷積神經網絡層的數據都按照相同的方式分布，在提高訓練速度的同時，減少了對不同數據冗余處理的操作。本文設置CT 影像數據批量歸一化的執行時間為激活層前，卷積層后。假設輸入到卷積神經網絡中的數據總數量為m，對應的批次為n，對應每一批次的數據為xn。那么，在經過ReLU 后，首先需要計算該批次CT影像數據的均值和標準差，并利用其進行歸一化處理，其可以表示為

其中，表示CT 影像數據歸一化處理的結果，μ 和θ分別表示xn對應的均值和標準差。按照上述所示的方式，實現對CT影像數據的批量歸一化處理。

利用這樣的方式，使得卷積神經網絡中每個級別輸入的數據分散類型能夠保持一致，并且卷積神經網絡參數不會對網絡的學習過程產生影響。

1.2 基于卷積神經網絡的CT影像邊緣分割

在完成對CT 影像數據的歸一化處理后，需要對其進行激活處理，這樣做的目的是避免后續的分割階段出現過擬合情況，降低邊緣像素分類的誤差。本文設計的激活方式可以表示為：

其中，r（l）表示卷積神經網絡l 層對于CT 影像數據的輸出結果，f表示激活函數，w（L）表示不同卷積神經層的連接矩陣參數，r（l-1）表示當前卷積神經層前一層結構對于CT影像數據的輸出結果，b（l）表示卷積神經網絡l層輸出單元的偏差。需要注意的是，本文設置初始層，也是就第一層卷積神經網絡層的輸出結果為輸入的CT 影像數據，以此確保后續的激活運算能夠順利運轉。在此基礎上，卷積層對于CT 影像數據的處理方式主要是根據當前像素特征與目標圖像像素特征之間的差異程度實現的，具體的計算方式可以表示為：

其中，D(xn)表示卷積層對于CT影像數據的輸出結果，xn(t)表示輸入CT 影像數據的特征向量參數，λ表示損失參數，該值一般為常量，k 表示目標圖像像素特征向量參數。利用這樣的方式，實現對輸入CT 影像數據的卷積處理。在不同卷積層之間傳遞時，數據的規模逐漸減小。此時如何避免出現過擬合的情況是影響到最終邊緣分割效果的關鍵。為此，本文設置了閾值參數，將其作為卷積輸出的判斷標準。當卷積層對于CT 影像數據的輸出結果達到閾值范圍時，則結束計算，并將此時的像素信息作為邊緣分割的執行基礎。其中，閾值范圍的確定以卷積層輸出數據偏差程度為基準進行設置。

按照這樣的方式，實現對CT影像邊緣的精準分割處理。

2 應用測試

2.1 測試數據準備

在對本文設計的基于卷積神經網絡的CT 影像邊緣分割方法實際應用效果進行分析時，本文充分考慮了在實際的診療階段，CT 影像對應的目標部位不同。因此，在DRIVE 數據集上選取了不同的CT 影像作為測試數據。具體的選擇測試圖像如圖1所示。

圖1 測試CT影像

結合圖1 所示的測試CT 影像數據可以看出，6 組圖像的復雜程度以及圖像質量均存在較為明顯的差異。利用這樣的方式，更加直觀地分析本文設計方法對于不同CT 影像的分割效果。在此基礎上，為了能夠更加客觀地對本文設計方法的測試結果，在相同的測試條件下，設置了不同的分割方法作為測試的對照。其中，具體的測試方法分別為文獻[6]提出的以邊緣保持濾波和改進核模糊聚類為基礎的圖像分割方法、文獻[7]提出的以特征融合為基礎的圖像分割方法，以及文獻[8]提出的以B-PointRend 網絡為基礎的圖像分割方法。通過比較不同方法對于圖像的分割效果，對本文設計方法的應用效果進行評價與分析。

2.2 評價指標設置

在對不同方法的圖像分割效果進行分析的過程中，除了對分割后的圖像進行直觀比較外，為了能夠更加精準地分析分割效果，本文設置了針對性的評價指標，分別為準確率，精確率，召回率以及MIoU（Mean Intersection over Union，均交并比）。具體計算可以表示為：

其中，Accuracy 表示影像分割結果的準確率，Precision表示影像分割結果的精確率，Recall 表示表示影像分割結果的召回率，MIoU 表示影像分割結果的MIoU值。TP 表示正確分割為目標對象的像素數量，TN 表示正確分割為背景對象的像素數量，FP 表示錯誤分割為目標對象的像素數量，FN示錯誤分割為背景對象的像素數量。

2.3 測試結果與分析

在上述測試環境的基礎上，分別對比了不同方法對于6組測試CT影像的分割效果，具體如圖2所示。

結合圖2所示的CT 影像分割效果效果可以看出，不同方法對于CT 影像的分割表現出了一定的差異，其中，邊緣保持濾波和改進核模糊聚類圖像分割方法、特征融合圖像分割方法以及B-PointRend 網絡分割后圖像均在不同程度上出現了邊緣缺失的情況，具體的位置包括主要集中在模糊邊緣以及細節邊緣位置。相比之下，本文設計方法分割后圖像的完整性更高。

在此上述直觀對比的基礎上，對具體的評價指標進行分析，得到的數據結果如表1，表2，表3和表4所示。

表1 改進核模糊聚類分割方法測試結果評價指標統計表

表2 改進核模糊聚類分割方法測試結果評價指標統計表

表3 B-PointRend網絡分割方法測試結果評價指標統計表

表4 本文設計分割方法測試結果評價指標統計表

對比表1～表4 所示的評價指標測試結果，可以看出在不同方法的測試結果中，本文設計方法對于CT影像分割的準確率始終穩定在0.75 以上，最大值和小值分別為0.8144和0.7581；對于CT影像分割的精確率始終穩定在0.74 以上，最大值和小值分別為0.7880 和0.7915；對于CT 影像分割的召回率始終穩定在0.75以上，最大值和小值分別為0.7880 和0.7545；對于CT 影像分割的準確率始終穩定在0.77 以上，最大值和小值分別為0.8243和0.7753。與對照組的三種測試方法相比，具有明顯優勢。測試結果表明，本文設計的基于卷積神經網絡的CT 影像邊緣分割方法，可以實現對圖像的精準分割。

3 結束語

醫生在臨床診斷的過程中，CT和其他醫療圖像已經成為了判斷病人病情的主要依據之一。因此，精準的醫療圖像處理是很關鍵的。本文提出基于卷積神經網絡的CT 影像邊緣分割方法研究，實現了對圖像的精準分割處理，具有良好的實際應用價值。希望本文方法能夠為同類研究提供參考。