可適應(yīng)測試集的卷積神經(jīng)網(wǎng)絡(luò)在CT圖像肝臟分割中的應(yīng)用

李彤 郝天宇 張杉杉

摘要：肝癌是常見的惡性腫瘤疾病，肝臟自動分割算法能有效幫助醫(yī)生進行診斷治療。然而在深度學(xué)習(xí)圖像分割模型中，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)常常存在較大的分布差異，導(dǎo)致分割效果較差。因此本文開發(fā)一種可適應(yīng)于測試集的卷積神經(jīng)網(wǎng)絡(luò)，用于CT圖像上的肝臟分割，進而減少醫(yī)生手動勾畫的時間，實現(xiàn)輔助診斷。在?2017LiTS肝臟數(shù)據(jù)集上驗證該方法的有效性，實驗表明，將測試集用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)能有效提高分割精度。

關(guān)鍵詞：CT圖像;肝臟分割;可適應(yīng)測試集;卷積神經(jīng)網(wǎng)絡(luò)

1 引言

肝癌是人類健康的一大威脅，其發(fā)病率正在逐年上升[1]。腹部CT圖像肝臟分割和定位，有助于臨床醫(yī)生準確評估肝臟腫瘤。而肝臟的輪廓通常需要經(jīng)驗豐富的放射科醫(yī)師手動勾畫，其過程非常繁瑣和耗時，因此，肝臟的自動分割算法研究對計算機輔助診斷至關(guān)重要。

肝臟的分割算法主要分為四類：基于區(qū)域增長[2]、基于圖割[3]、基于水平集[4]、和基于深度學(xué)習(xí)[5、6]。與其他方法相比，基于深度學(xué)習(xí)的方法對人工依賴較小，并且由于其強大的提取特征的能力常常能取得更好的性能。但是在現(xiàn)實中，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)往往存在較大的分布差異，這會嚴重影響模型性能。因此，本文提出一種可適應(yīng)測試集的卷積神經(jīng)網(wǎng)絡(luò)用于CT圖像上的肝臟自動分割。

2 方法

如圖1所示，本文的整體架構(gòu)包括兩個網(wǎng)絡(luò)：Teacher網(wǎng)絡(luò)和Student網(wǎng)絡(luò)。這兩個網(wǎng)絡(luò)都以U-Net模型[6]作為骨干，并且結(jié)構(gòu)相同。具體來說，這兩個網(wǎng)絡(luò)分別包括一個編碼器（Encoder）和一個解碼器（Decoder）。編碼器由卷積層和最大池化層組成，提取豐富的圖像特征。解碼器由卷積層和反卷積操作組成，進而通過Softmax函數(shù)獲得肝臟分割預(yù)測結(jié)果。

訓(xùn)練時，將有標記的訓(xùn)練數(shù)據(jù)輸入Student網(wǎng)絡(luò)，無標記的測試數(shù)據(jù)輸入Student網(wǎng)絡(luò)和Teacher網(wǎng)絡(luò)。Teacher網(wǎng)絡(luò)的參數(shù)通過Student網(wǎng)絡(luò)參數(shù)的移動平均（moving?average）[7]更新得到，Student網(wǎng)絡(luò)的參數(shù)通過損失函數(shù)進行梯度下降來更新。其中損失函數(shù)包括兩個部分：第一部分是有監(jiān)督的分割損失（Segmentation?Loss），通過計算有標記的訓(xùn)練數(shù)據(jù)的預(yù)測結(jié)果與標簽的交叉熵進行迭代;第二部分是無監(jiān)督的一致性損失（Consistency?Loss），用來衡量無標記的測試數(shù)據(jù)經(jīng)過Student網(wǎng)絡(luò)和Teacher網(wǎng)絡(luò)產(chǎn)生的預(yù)測結(jié)果之間的相似性。由于Teacher網(wǎng)絡(luò)的參數(shù)是從Student網(wǎng)絡(luò)獲取的，所以無論輸入樣本是否有標簽，都可以通過測量預(yù)測結(jié)果之間的一致性來構(gòu)建損失函數(shù)，保證輸出結(jié)果的穩(wěn)定性。

3 實驗與結(jié)果

3.1?實驗數(shù)據(jù)與預(yù)處理

實驗采用LiTS2017?肝臟分割數(shù)據(jù)集，該數(shù)據(jù)集包括有標簽的131例患者的腹部增強CT圖像。將前105例患者數(shù)據(jù)作為訓(xùn)練集，后?26?例患者數(shù)據(jù)作為測試集。由于該數(shù)據(jù)集中的CT圖像來源于多部設(shè)備，所以在數(shù)據(jù)預(yù)處理時進行圖像歸一化。

3.2?評價指標

Dice系數(shù)是分割網(wǎng)絡(luò)中最常用的評價指標，用于計算樣本相似度。Dice?系數(shù)公式如下所示（1）：

其中，A?代表醫(yī)生標注的肝臟區(qū)域的像素點集合，B代表模型預(yù)測的肝臟區(qū)域的像素點集合。Dice取值在0到1之間，且Dice值越大表示模型預(yù)測效果越好。

3.3?實驗結(jié)果

圖2為肝臟的分割結(jié)果。第一列為CT原圖，第二列為醫(yī)生分割掩模，第三列為U-Net模型的分割結(jié)果，第四列為本實驗的分割結(jié)果，可以看出將測試數(shù)據(jù)加入網(wǎng)絡(luò)的訓(xùn)練過程能有效改進模型性能，使難分區(qū)域分割更準確。

為了驗證方法有效性，我們將本文方法與U-Net模型在同一數(shù)據(jù)集上進行對比。如表?1?所示，U-Net模型的Dice值為0.939，而本文采用可適用于測試集的模型的Dice值為0.962，模型的精度得到了提升。

4 結(jié)束語

將測試數(shù)據(jù)用于模型的訓(xùn)練過程可以降低網(wǎng)絡(luò)對不同分布數(shù)據(jù)的預(yù)測偏差，進而提升模型的分割性能。該方法具有較強的推廣性，可以適用于不同的分割模型，緩解數(shù)據(jù)之間差異較大的問題。但是該方法對數(shù)據(jù)采集的時效性要求較高，因此還需要進一步優(yōu)化，在分割精度上也有改進的空間。

參考文獻

[1]Chen?Guoyong，Zhang?Jiabin，Sun?Jianjun，et?al.Revisiting?partial?hepatectomy?of?large?hepatocellular?carcinoma?in?older?patients.Sci?Rep.2018;8：14505.

[2]Baazaoui?A，Barhoumi?W，Ahmed?A，et?al.Semi-automated?segmentation?of?single?and?multiple?tumors?in?liver?CT?images?using?entropy‐based?fuzzy?region?growing.IRBM.2017;38：98-100.

[3]Beichel?R，Bornik?A，Bauer?C，et?al.Liver?segmentation?in?contrast?enhanced?CT?data?using?graph?cuts?and?interactive?3D?segmentation?refinement?methods.Med?Phys.2012;39：1361-1373.

[4]Yinchun?Z.Level?set?image?segmentation?based?on?rough?set?and?new?energy?formula.Acta?Automatica?Sinica.2015;41：1913-1925.

[5]Ben-Cohen?A，Diamant?I，Klang?E，et?al.Fully?convolutional?network?for?liver?segmentation?and?lesions?detection.Deep?Learning?and?Data?Labeling?for?Medical?Applications;2016;77-85.

[6]Ronneberger?Olaf，PhilippFischer?Thomas?Brox.U-Net：Convolutional?Networks?for?Biomedical?Image?Segmentation.Medical?Image?Computing?and?Computer-Assisted?Intervention;2015：234-241.

[7]Tarvainen，Antti?and?Harri?Valpola.Mean?teachers?are?better?role?models：Weight-averaged?consistency?targets?improve?semi-supervised?deep?learning?results.NIPS?2017.

第一作者簡介：李彤（1997-），女，漢，甘肅白銀，碩士研究生，研究方向醫(yī)學(xué)圖像處理，蘭州財經(jīng)大學(xué)，730030。