基于深度學(xué)習(xí)的胰腺分割方法研究

紀(jì)建兵 姚劍敏

摘要：為解決CT圖像中胰腺組織自動(dòng)分割難題，提出基于深度學(xué)習(xí)的分割方法;對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理，采用Dice損失函數(shù)及Sgdm梯度下降法來訓(xùn)練網(wǎng)絡(luò);以Medical Segmentation Decathlon公開數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)平均分割準(zhǔn)確率為0.8469;結(jié)果表明，分割算法達(dá)到了較高的準(zhǔn)確率。

關(guān)鍵詞：深度學(xué)習(xí);胰腺;分割

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）01-0065-02

0 引言

從CT斷層掃描圖像中分割出胰腺區(qū)域并進(jìn)行三維成像，對(duì)于準(zhǔn)確制定手術(shù)方案具有重要作用。因胰腺組織在圖像上無明顯特征，與相鄰的器官的像素極為相似，且不同人的形狀、大小和位置均不一致，自動(dòng)分割具有很大挑戰(zhàn)性。2013年Wang Xin[1]等人提出基于統(tǒng)計(jì)模型的胰腺分割算法，該法僅適用于正常胰腺的分割。近年來，深度學(xué)習(xí)網(wǎng)絡(luò)在圖像自動(dòng)分割領(lǐng)域展現(xiàn)出了巨大優(yōu)勢(shì)，研究以Vnet[2]深度學(xué)習(xí)網(wǎng)絡(luò)為基礎(chǔ)對(duì)胰腺進(jìn)行全自動(dòng)體分割，輸出分割的三維二值矩陣可用于三維可視化。

1 Vnet

Vnet是三維全卷積網(wǎng)絡(luò)，成左右對(duì)稱結(jié)構(gòu)。左半部分為下采樣，即特征提取過程，由卷積單元和卷積池化層組成，層數(shù)為5層，每一層包含1-3個(gè)卷積單元，通道數(shù)從16按倍數(shù)增加至256。右半部分為上采樣，即特征重構(gòu)過程，由反卷積層和卷積單元組成，層數(shù)為4層，卷積單元及通道數(shù)與左側(cè)對(duì)稱。卷積單元用于提取圖像特征，卷積池化用于數(shù)據(jù)降維，反卷積用于恢復(fù)圖像尺寸。

卷積單元由Conv-BN-PReLU組成。Conv為卷積，本文使用了步長(zhǎng)s為1的5x5x5卷積核和步長(zhǎng)s為2的2x2x2的卷積核，兩組卷積核均使用Same方式填充，當(dāng)數(shù)據(jù)經(jīng)過下采樣過程步長(zhǎng)2的2x2x2卷積核的卷積單元時(shí)，其分辨率會(huì)降低一半，生成映射大小減半的更深層次的特征;BN（數(shù)據(jù)批量歸一化）將數(shù)據(jù)轉(zhuǎn)換為服從的標(biāo)準(zhǔn)正態(tài)分布，目的在于加快收斂速度;PReLU（帶參數(shù)的線性整流函數(shù)）為激活函數(shù)，輸出關(guān)系為：

a為由網(wǎng)絡(luò)反饋時(shí)自動(dòng)計(jì)算的小常數(shù)，在保留小于0信息的同時(shí)又達(dá)到了激活函數(shù)的目的。

反卷積單元由DConv-BN-PReLU組成。上采樣過程中數(shù)據(jù)與步長(zhǎng)2的2x2x2卷積核進(jìn)行反卷積時(shí)，其分辨率會(huì)增加一倍，圖像尺寸得到恢復(fù)。

Pool（卷積池化）是以卷積方式對(duì)特征降維，降維后的尺寸關(guān)系為：其中，B為卷積層輸出，k為池化卷積核尺寸，p為填充值，s為步長(zhǎng)。

網(wǎng)絡(luò)預(yù)測(cè)由兩個(gè)與原始輸入具有相同分辨率的體素組成，通過Softmax回歸模型輸出每個(gè)體素被劃分為背景區(qū)域與目標(biāo)區(qū)域的概率。

2 胰腺分割

2.1 算法流程

首先，對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，將預(yù)處理后的圖像數(shù)據(jù)以隨機(jī)方式劃分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集用于網(wǎng)絡(luò)訓(xùn)練。其次，運(yùn)用已訓(xùn)練網(wǎng)絡(luò)對(duì)驗(yàn)證集進(jìn)行預(yù)測(cè)分割，對(duì)分割結(jié)果進(jìn)行后處理。

2.2 預(yù)處理

數(shù)據(jù)集的構(gòu)成由CT圖像序列及二值標(biāo)簽序列組成，首先將CT序列及標(biāo)簽序列分別組成三維矩陣，再根據(jù)標(biāo)簽體尺寸對(duì)xyz三個(gè)方向進(jìn)行64像素外擴(kuò)并裁減至8的倍數(shù)的分辨率;將各片層中灰度值減去灰階均值后除以灰階標(biāo)準(zhǔn)差后執(zhí)行歸一化。

2.3 訓(xùn)練網(wǎng)絡(luò)

使用Dice損失函數(shù)描述分割準(zhǔn)確度，即兩個(gè)集合之間的差異程度。設(shè)為算法分割結(jié)果的三維矩陣，為真實(shí)二值標(biāo)記三維矩陣，則Dice定義如下：網(wǎng)絡(luò)訓(xùn)練的目標(biāo)在于尋找損失函數(shù)的最小值以達(dá)到最優(yōu)分割，通過梯度下降一步步迭代求解，得到最小化的損失函數(shù)。目前較常用的梯度下降算法是SGD（隨機(jī)梯度下降算法），本文使用SGDM（帶動(dòng)量的隨機(jī)梯度下降）[3]進(jìn)行求解，該法在更新梯度向量之前增加前一次的更新向量，在相同方向上進(jìn)行速度累加，不同的方向上速度減小，從而達(dá)到加快收斂速度的目的。

2.4 分割及后處理

將測(cè)試集輸入已訓(xùn)練網(wǎng)絡(luò)并對(duì)輸入進(jìn)行網(wǎng)絡(luò)分割，輸出與輸入相同尺寸的三維二值矩陣，采用形態(tài)學(xué)閉運(yùn)算進(jìn)行后處理。

3 實(shí)驗(yàn)

Medical Segmentation Decathlon公開數(shù)據(jù)集中共有281例有效腹部CT數(shù)據(jù)以及胰腺二值真實(shí)標(biāo)記，可用于算法的訓(xùn)練和測(cè)試[4]。實(shí)驗(yàn)的平均分割準(zhǔn)確度為0.8469。隨機(jī)從測(cè)試集中抽取了一例CT數(shù)據(jù)并隨機(jī)選擇一個(gè)切片，對(duì)比結(jié)果如圖1所示，分割結(jié)果和標(biāo)記基本相同。

4 結(jié)語

本文提出基于深度學(xué)習(xí)的胰腺分割方法，利用公開數(shù)據(jù)集進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明算法具有較高的準(zhǔn)確度，且系統(tǒng)結(jié)構(gòu)較為簡(jiǎn)單，易于實(shí)現(xiàn)。因胰腺的個(gè)體差異較大導(dǎo)致網(wǎng)絡(luò)在預(yù)測(cè)分割時(shí)仍存在一定的不確定性，分割準(zhǔn)確度的提高需要有更多的訓(xùn)練數(shù)據(jù)支撐，構(gòu)建更大量級(jí)的有效訓(xùn)練數(shù)據(jù)將是下一階段研究的重點(diǎn)。

參考文獻(xiàn)

[1] WANG Xin.Research and implem entation on pancreas segmentation methods based on statistical model[D].Shenyang City：Northeastern University，2013.

[2] MILLETARI F，NAVAB N，AHMADI S.V-Net：fully convolutional neural networks for volumetric medical image segmentation[C].Proceedings of the 4th International Conference on 3D Vision. Piscateway，NJ：IEEE，2016：565-571.

[3] 常永虎，李虎陽.基于梯度的優(yōu)化算法研究[J].現(xiàn)代計(jì)算機(jī)，2019（17）：3-8.

[4] TIAN Xuan，WANG Liang，DING Qi.Review of image semantic segmentation based on deep learning[J].Journal of Software，2019，30（2）：440-468.