1. 研究目的与意义（文献综述）

1.1 研究目的及意义

肝脏是腹部最大的实质性器官，它是人体的解毒、代谢及合成加工厂，维持着人体的重要生命活动。肝脏具有双重的血液供应系统，疾病有多发性，病变种类多，发病率高等特点。根据世界卫生组织（world healthorganization, who）统计，肝癌已是位居第二的癌症杀手，它严重威胁人类健康和生命。近年来，计算机断层成像（computedtomography, ct）已成为肝脏病变诊断与治疗中最常用的医学成像方式，主要的治疗手段包括病变切除、介入、放射等，每种治疗方法都需要术前详细了解病变的数量、大小、位置等信息，以便制定一个完善的治疗方案。因此，肝脏病变的精确分割成为肝病变治疗的首要任务。

病变分割难点主要体现在以下几个方面，首先肝脏病变的大小、形状、位置复杂多变，因人而异；其次病变区域与肝脏正常组织界限模糊且可能毗邻其他器官及血管；另外，肝脏病变影像表现存在较大差异，病变组织灰度不均匀等。在临床诊断中，手动分割一致性差，耗时多，大量研究工作者对其分割进行了深入研究，提出了许多半自动、自动的分割方法。通常半自动分割方法需要人工干预，依赖于人的主观性和经验。大部分自动分割方法是基于传统的机器学习方法完成的，需要手动设计提取大量特征，特征提取过程复杂且计算量大，凭借经验。肝脏病变分割仍然是医学图像处理领域中的研究难点和热点。

2. 研究的基本内容与方案

本研究的主要内容分为三部分，首先，研究基于肝脏正常组织和病变组织统计特性差异的经典图像处理分割算法在人体肝脏病变ct图像自动分割中的应用，对自动分割结果和人工手动分割得到结果进行比较，对自动分割结果进行评估。其次，研究基于深度学习中的全卷积神经网络的分割算法在人体肝脏病变ct图像自动分割中的应用，对自动分割结果和人工手动分割得到结果进行比较，对自动分割结果进行评估。最后，对用两种方法得到的自动分割结果进行比较，总结出两种方法各自的优缺点。本研究所编程实现的两种分割方法的训练和验证都是基于liver tumor segmentation challenge（lits）数据集，lits是由isbi 2017和miccai 2017共同举办，其数据集包括了从全球六个医疗中心获得的201个对比增强的腹部ct图像，其中131张组成了训练集其余70张组成了测试集，所有ct图像的肝脏部分和肝脏病变部分都经由专业的放射科医师进行了精细的标注，并提供了对应的掩膜图像。

本研究的目标是编程实现一种基于传统方法的人体肝脏病变ct图像自动分割的方法和一种基于全卷积网络的人体肝脏病变ct图像自动分割的方法，并在lits数据集上对所实现方法的有效性进行验证。

本研究对传统分割方法的实现拟采用基于自适应的标记分水岭算法，传统分水岭算法在计算完梯度后直接进行分水岭变换，故存在严重的过分割情况，需要进行预处理以控制过分割。针对腹部医学ct图像的特点，拟采用自适应扩展极小值变换中的阈值计算，采用梯度图像的非零的局部极小值点的均值以自适应获取标记值，避免背景像素对阈值计算的影响导致阈值的偏离，从而实现了自动分割人体肝脏病变ct图像且避免了传统分水岭算法的过分割情况。对深度学习分割方法的实现拟采用的全卷积神经网络模型，该模型由两个基于deep retinalimage understanding（driu）网络的结构级联组成，分两个阶段对肝脏病变进行分割。第一阶段是肝脏分割，首先对整个腹部ct图像进行处理，预测出最有可能是肝脏的区域，在肝脏预测结束之后会在肝脏周围放置一个三维边界框。第二阶段是病变分割，由第一阶段得出的边界框剪切的不同切片在病变分割网络进行分割得出最终的分割结果。 具体全卷积神经网络模型如图2.1所示。

3. 研究计划与安排

第1周—第4周：查阅相关文献资料，明确研究内容，了解研究所需。确定方案，完成开题报告；

第5周—第8周：熟悉掌握基本理论，完成英文资料翻译，开展研究工作；

第9周—第12周：完成主要研究工作，开始论文撰写；

4. 参考文献（12篇以上）

[1]董育宁，陈晞，杜超.智能肝病变ct图像分割[j].中国生物医学工程学报，2007，26（4）：541-550.

[2]黄荔丽，王博亮，黄晓阳.基于dicom格式的肝脏病变ct图像分割[j].计算机技术与发展，2008，18（1）：48-51.

[3]陈亮亮，赵波.一种基于ct图像的肝病变组合分割法[j].生物医学工程与临床，2010，14（1）：30-33.