摘 要

根据世界卫生组织统计，肝癌在全球范围内已是位居第二的癌症杀手，肝脏病变CT图像的精确分割是制定一个完善治疗方案的首要任务，而传统的人工分割有一致性差，漏诊率高，耗时多等缺点，因此人体肝脏病变CT图像的自动分割对辅助医生诊疗有重要的意义。

本文研究中采用经典分割方法和深度学习分割方法对人体肝脏病变CT图像进行自动分割，其中经典分割方法采用整合空间模糊聚类与水平集法，深度学习分割方法则基于全卷积神经网络。本研究得到了两个分割效果良好的自动分割算法模型，并将算法处理得到的分割结果与人工标注图像进行对比分析，实验结果表明，深度学习算法在算法处理速度、分割精度、病灶信息完整性等方面均优于经典图像分割算法，深度学习算法自动学习获得的特征在肝脏病变CT图像分割中更有利，具有较高的准确性和鲁棒性。

关键词：肝脏病变CT；医学图像分割；水平集；深度学习；全卷积神经网络

Abstract

According to the statistics of the World Health Organization, liver cancer is the second-largest cancer killer in the world. The accurate segmentation of liver lesion CT images is the primary task of formulating a complete treatment plan, and the traditional manual segmentation has a poor consistency. Due to the shortcomings of high rate of missed diagnosis and time-consuming, automatic segmentation of CT images of human liver lesions is of great significance for assisting doctors in diagnosis and treatment.

In this study, the classical segmentation method and deep learning segmentation method are used to automatically segment the CT images of human liver lesions. The classical segmentation method uses integrated spatial fuzzy clustering and level set methods. The deep learning segmentation method is based on a full convolutional neural network. In this study, two automatic segmentation algorithm models with good segmentation effect are obtained. The segmentation results obtained by the algorithm are compared with the manual annotation images. The experimental results show that the depth learning algorithm is used in algorithm processing speed, segmentation accuracy, and lesion information integrity. All aspects are superior to the classic image segmentation algorithm. The features learned by the deep learning algorithm are more advantageous in the segmentation of liver lesion CT images, and have higher accuracy and robustness.

Key Words：liver lesion CT; medical image segmentation; level set; deep learning; full convolutional neural network

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究背景及目的 1

1.2 国内外研究现状 2

1.3 研究内容与结构安排 3

第2章 整合空间模糊聚类和水平集法 5

2.1 引言 5

2.2 模糊c均值聚类原理 5

2.3 水平集原理 7

2.4 整合空间模糊聚类和水平集法 9

2.5 数据集及评价标准 10

2.5.1 数据集简介 10

2.5.2 分割结果评价标准 11

2.6 实验结果与分析 12

2.7 本章小结 14

第3章 基于全卷积神经网络的深度学习法 15

3.1 引言 15

3.2 全卷积神经网络原理 15

3.3肝脏及其病变分割检测网络设计 17

3.3.1 分割网络设计 17

3.3.2 病变检测网络设计 18

3.4 实验结果与分析 19

3.5 本章小结 22

第4章 经典方法与深度学习方法结果对比 23

4.1 典型病变分割结果对比 23

4.2 最佳分割结果对比 25

4.3 特点总结 27

第5章 总结与展望 29

参考文献 30

致谢 32

第1章 绪论

1.1 研究背景及目的

肝脏是人体腹部最大的脏器，对人体的生命活动起着重要的维持作用。由于肝脏内血管分布广，解剖结构复杂，所以导致肝脏疾病多发、病变种类多。根据世界卫生组织的统计，仅2015年新发癌症患者就高达1400万人，而肝癌则是位居第二的癌症杀手^[1]，导致肝癌的病因有多种，有的是肝硬化恶化，有的则是乙肝恶化，而中国又是乙肝病患大国，所以肝癌新增病例数和死亡病例数在我国一直居高不下，2012年我国新增肝癌病例占全球肝癌新增病例的50%，高达394770例，我国肝癌发病率（0.02%）是欧美大部分地区肝癌发病率（0.005%）的4倍，且肝癌恶性程度高、生长迅速、术后容易复发，对人类的健康和生命造成了严重威胁，因此医学界一直将肝癌的诊断和治疗作为研究的重点和难点。

近年来，随着超声成像（Ulstrasonography, US）、计算机断层扫描（Computed Tomography, CT）、正电子放射断层扫描（Positron Emission Tomography, PET）、磁共振（Magnetic Resonance, MR）等医学成像技术的发展，大大提高了临床诊断的准确性。对医学图像的分析实现了量化，这提高了医生诊断肿瘤的准确性。目前，影像学检查已成为临床诊断中重要的常规手段之一，在众多的医学成像模式中，CT图像因为检查方便、快速高效、高分辨率以及低成本的特点，成为肝脏疾病的常用检查手段。计算机断层扫描是利用X射线对人体某一范围进行逐层的横断扫描，再由探测器将接收到的穿透横断层的X射线信号转变为电信号，经模/数转换器转换成数字信号，输入计算机，最后经计算机处理后获得重建的图像^[2]。目前肝肿瘤治疗手段主要包括肿瘤切除、介入、放射治疗等，但是无论是哪种治疗手段，术前都需要精确了解肿瘤的部位、形状、大小等信息，这在病情监测、术前规划、治疗评估中发挥了关键作用。因此，肝肿瘤治疗的首要任务就是肝肿瘤医学图像的精确分割。

在传统的临床诊断中，放射科医生对肝肿瘤种类和程度的诊断是通过逐片解读医学图像人工手动分割来进行的，这种方法对医生的经验依赖性很大，临床经验不丰富的医生，误诊率较高，且这种分割方法主观性强，分割出来的结果可重复性低，时间和精力耗费大。因此人体肝脏肿瘤自动分割方法的研究对辅助临床诊断和治疗有重大意义，不仅可以减少人工分割的时间和精力消耗，还可以提高分割的准确性，对形成精确的病情监测、术前规划、治疗评估有重要贡献，为完善手术治疗方案提供了重要保障，并且提高了肝肿瘤手术的成功率。

肝脏病变CT图像分割难点主要体现在三个方面：首先，肝脏病变的大小、形状和位置复杂多变，个体间存在很大差异；其次，病变区域与肝脏正常组织存在黏连情况，边界不清晰，且肝脏周围存在很多其他器官及血管；另外，肝脏病变影像表现因病变组织灰度不均匀而存在较大差异。近年来，大量研究工作者深入研究了肝脏病变的分割方法，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的干预，依赖于人的主观性和经验，而大部分自动分割方法又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，对经验的要求较高。因此，国内外学者将肝脏病变图像分割方法的研究作为医学图像处理领域的难点和热点。

在本文研究中，为解决传统的人手工分割肝脏病变CT图像导致的各种弊端，采用经典分割方法和深度学习分割方法对人体肝脏病变CT图像进行自动分割，其中经典分割方法采用整合空间模糊聚类与水平集法，深度学习分割方法则基于全卷积神经网络。

1.2 国内外研究现状

在十九世纪年九十年代就已经有学者提出了医学图像分割技术，其后的几十年间分割技术不断成熟，应用范围也越发广泛，但由于医学图像纹理结构十分复杂，边缘不明显，关键病灶与正常组织差别很微小，所以当时效果较好的分割方法大都需要借助于半自动的人机交互。直至1995年，美国学者Velthuizen R.P^[3]提出了不需要人工介入的脑病变自动分割方法，该方法首次实现了对脑部病变的全自动分割。肝脏肿瘤分割的研究比脑肿瘤分割晚，但是分割技术发展迅速。Hiroyuki Yoshida^[4]在1998年使用连续小波变换法对肝肿瘤医学图像进行了分割，该方法能够准确地对肝脏超声图像中的肿瘤进行分割，具有较强的鲁棒性，对含噪声、低对比度的图像也非常有效。Wong^[5]提出了一种基于区域生长的半自动的肝脏肿瘤分割方法，为了减弱区域生长过程中出现的过分割现象，方法增加了一些约束性条件，导致人工干预较多。Ashish Raj^[6]使用动态增强图像来分割肝脏肿瘤病灶，其方法实现了全自动肝肿瘤分割，但分割的精确度比较低。Casciaro^[7]提出一种全新的肝肿瘤病变分割方法，采用的是梯度向量流，方法虽然能够实现自动分割，但是如果肿瘤位于肝脏的边缘，那么该方法的分割效果变的很差。Shimizu^[8]等人基于AdaBoost分类算法提出了一种全自动分割算法，图像的各种统计特征被获取用来训练弱分类器，肿瘤的最终分割结果是由弱分类器级联成的强分类器实现。随着近几年深度学习研究的兴起，很多国外学者也把深度学习方法应用到了医学图像分割中来，2014年O Ronneberger^[9]受到J Long^[10]提出的全卷积网络（Fully Convolutional Networks，FCN）的启发，创造性的提出了U-net网络，并在2015年获得了ISBI挑战赛的冠军，U-net网络分为两个部分，第一个部分被称作收缩部分，此部分的作用是获取图像中蕴含的上下文信息，另一个部分被称作扩张部分，此部分与第一部分对称，作用是实现精确定位。U-net不仅需要的训练数据量少，而且在医学图像上分割效果好、分割速度快，成为了基于深度学习的医学图像分割领域的一个基础网络，在接下来的几年间，出现了很多基于U-net网络修改的网络，也都取得了不错的分割结果。2016年，P Christ^[11]，F Milletari^[12], F Lu^[13]分别提出了各自的深度学习网络模型，并将其应用于人体肝脏病变CT图像的分割，均取得了比较好的结果。

由于我国肝癌患者的逐渐增多，国内对肝脏疾病的研究关注度越来越高，对肝脏病灶分割的研究学者也是日益增多，近年来，中国的许多研究人员发表了自己关于肝肿瘤分割的研究成果。董育宁^[14]于2007年提出了一种新的肝肿瘤CT图像分割方法。该方法集成了多尺度分水岭变换和模糊聚类，并利用了医学专家的高层知识。通过对传统的基于灰度模糊的C均值聚类算法的目标函数的修改将空间信息进行了融合，从总体上得到了不错的效果。黄荔丽利用^[15]ITK读取图像，用均值曲率流滤波去除图像噪声后，直接从DICOM格式的CT胸腹部图像中应用区域生长分割算法中的置信连接阈值法分割出肝脏肿瘤，但是对于较大的目标区域分割效果会下降。陈亮亮^[16]采用一种组合分割的方法，该方法结合二值化、区域生长、边缘分割等操作来分割CT图像上的肝肿瘤，该方法对于周围黏连较多的肿瘤的分割有很大的局限性。罗朝辉^[17]提出了一个新的肝肿瘤分割方法，该方法基于局部C-V水平集，能够有效的分割出肝肿瘤且处理时间较短，但是需要人工干预，没有完全实现自动化处理。陈璐^[18]提出了一种新的基于形态学分水岭的分割算法，算法的特点是消除了图像中的局部极值，取得了不错的分割效果。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：