基于深度學(xué)習(xí)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(jìn)先驗(yàn)信息，分割效率低，無法滿足臨床實(shí)時(shí)性要求。針對(duì)這些問題，提出基于卷積-反卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤圖像分割算法，自動(dòng)提取肝臟腫瘤的特征。實(shí)驗(yàn)表明，DSC指標(biāo)約85.32%，且分割每幅圖像只需用時(shí)3至5秒，實(shí)時(shí)性好。

關(guān)鍵詞：肝臟CT圖像；腫瘤分割；反卷積網(wǎng)絡(luò)；自動(dòng)提取特征

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）11-0081-02

近年來，有許多算法實(shí)現(xiàn)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(yù)。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(diǎn)是必須先將肝臟分割出來，然后才能對(duì)腫瘤進(jìn)行分割。本文提出一種基于卷積-反卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤圖像分割方法，能夠自動(dòng)分割肝臟腫瘤圖像。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）[2]是深度學(xué)習(xí)算法中的一種，CNN由多個(gè)層次組成的可訓(xùn)練的架構(gòu)，每一層的輸入和輸出包含多個(gè)特征映射層，主要由若干個(gè)卷積層、池化層、激活函數(shù)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(yù)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(shí)受到設(shè)備噪聲的影響，CT圖像中含有噪聲。本文采用中值濾波器對(duì)其進(jìn)行濾波，結(jié)果如（c）所示，濾波效果較好。

2.2 卷積-反卷積神經(jīng)網(wǎng)絡(luò)

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

本文在卷積網(wǎng)絡(luò)的基礎(chǔ)上加上對(duì)稱的反卷積網(wǎng)絡(luò)，構(gòu)成卷積-反卷積網(wǎng)絡(luò)。在網(wǎng)絡(luò)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(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本次實(shí)驗(yàn)采用MICCAI 2017數(shù)據(jù)集。本實(shí)驗(yàn)中從數(shù)據(jù)集中篩選出含有腫瘤的樣本，得到訓(xùn)練圖像4983張，測(cè)試圖像2141張，尺寸為像素。

3.2 實(shí)驗(yàn)流程與評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)流程是先對(duì)圖像進(jìn)行預(yù)處理，再將預(yù)處理過后的圖像作為訓(xùn)練集提供給卷積-反卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練。利用訓(xùn)練得到參數(shù)模型對(duì)測(cè)試圖像進(jìn)行分割之后，利用MATLAB對(duì)分割圖進(jìn)行后續(xù)處理能得到分割最終結(jié)果（如圖2）。本實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)分別采用：a）Dice相似系數(shù)；b）準(zhǔn)確率；c）召回率等醫(yī)學(xué)圖像分割的常用指標(biāo)。Seg表示為算法分割結(jié)果，Ref為金標(biāo)準(zhǔn)，TP表示真陽性，F(xiàn)P表示假陽性。FN表示假陰性。

3.3 實(shí)驗(yàn)結(jié)果及分析

部分實(shí)驗(yàn)結(jié)果如圖2所示。圖中的藍(lán)色的實(shí)線是標(biāo)準(zhǔn)分割的結(jié)果，紅色的線條是本文的分割結(jié)果。從圖中可看出，本文的肝臟腫瘤預(yù)測(cè)接近真實(shí)值，分割的準(zhǔn)確度較高。

本文的方法與Adaboost[5]、Random Forests[6]等傳統(tǒng)分割方法進(jìn)行比較，在DSC（%）指標(biāo)中Adaboost、Random Forests及本文的算法分別是77.22%、78.94%、85.32%。Precision（%）指標(biāo)中三種算法的指標(biāo)分別是77.34%、80.99%、86.53%。Recall（%）指標(biāo)中三種算法的指標(biāo)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(jié)語

本文結(jié)合肝臟CT圖像的特點(diǎn)，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(shè)計(jì)特征，自動(dòng)提取的深層特征能很好地描述圖像變化。經(jīng)過實(shí)驗(yàn)證明，該方法對(duì)肝臟腫瘤圖像分割具有較好的準(zhǔn)確性和實(shí)時(shí)性。

參考文獻(xiàn)

[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