凌彤輝

(1.中國(guó)科學(xué)院 上海技術(shù)物理研究所，上海 200083; 2.中國(guó)科學(xué)院大學(xué)，北京 100049)

0 引言

肝癌是僅次于肺癌的第二大高致死率癌癥，也是中國(guó)和全世界發(fā)病率和死亡率增長(zhǎng)最快的癌癥之一。雖然計(jì)算機(jī)斷層掃描(computed tomography，CT)已廣泛應(yīng)用于肝癌的篩查、診斷和治療評(píng)估，但對(duì)CT圖像中的肝癌進(jìn)行定性和定量分析需要花費(fèi)醫(yī)生大量時(shí)間，且醫(yī)生的分析結(jié)果具有主觀性。在計(jì)算機(jī)技術(shù)和人工智能的推動(dòng)下，計(jì)算機(jī)輔助診斷(computer aided diagnosis，CAD)系統(tǒng)快速發(fā)展。CAD可以對(duì)醫(yī)學(xué)影像進(jìn)行自動(dòng)化處理，對(duì)醫(yī)學(xué)影像中的肝臟和肝癌進(jìn)行智能化分析，為醫(yī)生提供診斷依據(jù)。在對(duì)肝臟和肝癌智能分析中，肝臟分割和肝癌分割是必不可少的一步。然而，由于肝臟與周邊組織的對(duì)比度低，相鄰器官邊界模糊，形狀變化大，自動(dòng)分割肝臟是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。同時(shí)，肝癌形態(tài)呈彌漫性、不均勻性和稀疏性，大小不一，特征不明顯，自動(dòng)分割肝癌是更加艱巨的任務(wù)。

肝臟分割算法主要分為傳統(tǒng)肝臟分割算法和神經(jīng)網(wǎng)絡(luò)的方法。傳統(tǒng)肝臟分割算法主要有三種：基于圖像灰度的肝臟分割算法[1-3]，基于模型的肝臟分割算法[4-6]和基于紋理特征的肝臟分割算法[7-9]。例如Bae等(1993)[3]提出了一種基于圖像灰度的肝臟分割算法。Wu等(2016)[6]提出了一種基于圖割的肝臟分割算法。Luo等(2009)[7]提出了一種基于紋理特征和SVM的肝臟分割算法。傳統(tǒng)肝臟分割算法都存在不足之處： 當(dāng)存在邊界模糊時(shí)，基于灰度的算法準(zhǔn)確度較低；基于統(tǒng)計(jì)形狀模型的算法對(duì)存在形變的肝臟無(wú)法準(zhǔn)確分割；基于紋理特征的算法依賴于特征分類器和人工提取的特征。神經(jīng)網(wǎng)絡(luò)的方法主要分為二維全卷積網(wǎng)絡(luò)[10-11]和三維全卷積網(wǎng)絡(luò)[12-13]。例如郭樹(shù)旭等(2017)[14]采用了改進(jìn)的二維全卷積網(wǎng)絡(luò)對(duì)肝臟進(jìn)行分割；孫明建等(2018)[15]針對(duì)肝臟分割問(wèn)題，則采用三維全卷積網(wǎng)絡(luò)結(jié)合條件隨機(jī)場(chǎng)的方式，取得了較高的準(zhǔn)確率。二維全卷積網(wǎng)絡(luò)的分割準(zhǔn)確率一般低于三維全卷積網(wǎng)絡(luò)，因?yàn)槎S全卷積網(wǎng)絡(luò)無(wú)法利用CT影像中的三維空間信息。

肝癌分割是在肝臟分割的基礎(chǔ)上進(jìn)行計(jì)算。肝癌分割算法目前主要采用神經(jīng)網(wǎng)絡(luò)的算法，例如Kaluva等(2018)[16]采用一個(gè)新型二維全卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)進(jìn)行肝臟分割和肝癌分割，通過(guò)加入簡(jiǎn)單的形態(tài)學(xué)操作去除假陽(yáng)性。Yuan等(2018)[17]采用了3個(gè)二維全卷積網(wǎng)絡(luò)，前兩個(gè)網(wǎng)絡(luò)用于對(duì)肝臟進(jìn)行粗分割和細(xì)分割，第三個(gè)網(wǎng)絡(luò)用于對(duì)肝癌進(jìn)行分割。

為了解決肝臟和肝癌的準(zhǔn)確分割問(wèn)題，本文提出了基于三維全卷積網(wǎng)絡(luò)的肝臟分割算法和肝癌分割算法。肝臟分割和肝癌分割算法都采用Vnet[13]網(wǎng)絡(luò)搭建而成。本文在Vnet網(wǎng)絡(luò)中加入了批歸一化(Batch Normalization, BN)[18]，提高了模型的收斂速度。在肝臟分割中，通過(guò)對(duì)Vnet網(wǎng)絡(luò)的分割結(jié)果進(jìn)行后處理，顯著提高準(zhǔn)確率。在肝癌分割中，采用了組合損失函數(shù)來(lái)訓(xùn)練Vnet網(wǎng)絡(luò)，讓模型更好地收斂，并加入后處理提高了肝癌分割準(zhǔn)確率。本文針對(duì)肝臟分割和肝癌分割進(jìn)行了實(shí)驗(yàn)，利用公開(kāi)數(shù)據(jù)集驗(yàn)證了算法的性能。

1 Vnet網(wǎng)絡(luò)

Vnet網(wǎng)絡(luò)是在全卷積神經(jīng)網(wǎng)絡(luò)[10]基礎(chǔ)上提出的一個(gè)新型三維全卷積網(wǎng)絡(luò)。Vnet 網(wǎng)絡(luò)結(jié)構(gòu)成編碼器-解碼器結(jié)構(gòu), 左半部分為編碼過(guò)程，由卷積層和池化層組成，右半部分為解碼過(guò)程，由卷積層和反卷積層組成。Vnet網(wǎng)絡(luò)編碼部分和解碼部分擁有相同的卷積層數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其中卷積層的作用是提取圖像特征，池化層的作用是降低數(shù)據(jù)維度，反卷積的作用是恢復(fù)圖像尺寸。

圖1 Vnet網(wǎng)絡(luò)結(jié)構(gòu)

Vnet網(wǎng)絡(luò)在卷積層當(dāng)中采用了Resnet(He等，2016)[19]的殘差學(xué)習(xí)結(jié)構(gòu)，即將卷積層的輸入與卷積層最后的輸出進(jìn)行加和，再進(jìn)行后續(xù)計(jì)算，從而緩解了梯度消失的問(wèn)題。每個(gè)卷積層包含1到3個(gè)卷積單元。每個(gè)卷積單元由兩部分組成：卷積和激活函數(shù)。Vnet網(wǎng)絡(luò)中的卷積采用5×5×5的卷積核進(jìn)行卷積，padding大小為2，stride為1。因此卷積后得到的特征圖大小不變。Vnet網(wǎng)絡(luò)采用的激活函數(shù)為PReLU函數(shù)。本文為了提高模型的收斂速度在卷積單元中加入了BN。BN就是通過(guò)計(jì)算均值和標(biāo)準(zhǔn)差把神經(jīng)元的數(shù)值分布變回均值為0，方差為1的標(biāo)準(zhǔn)正態(tài)分布，從而達(dá)到加快模型收斂和緩解過(guò)擬合的效果。

編碼和解碼中間為級(jí)聯(lián)層。級(jí)聯(lián)層的作用是將編碼部分的特征圖與解碼部分中等大小的特征圖進(jìn)行拼接，再進(jìn)行卷積，從而彌補(bǔ)了下采樣過(guò)程中丟失的細(xì)顆粒度圖像特征和位置信息。Vnet網(wǎng)絡(luò)的池化層采用了卷積池化的方式。即使用2×2×2 的卷積核對(duì)特征圖進(jìn)行卷積，步伐大小為2，從而達(dá)到池化的效果。卷積池化的好處在于訓(xùn)練網(wǎng)絡(luò)的時(shí)候占用更少的內(nèi)存。

Vnet網(wǎng)絡(luò)整體屬于端到端的網(wǎng)絡(luò)結(jié)構(gòu)，輸入圖像便可直接得到分割結(jié)果。Vnet網(wǎng)絡(luò)在最后一個(gè)卷積層后，使用卷積核大小為1×1×1的卷積將特征圖像進(jìn)行組合壓縮，得到兩個(gè)和原圖像尺寸大小相同的特征圖，然后對(duì)這兩個(gè)特征圖使用Softmax函數(shù)，得到原圖像中每個(gè)體素屬于前景和背景的概率，如果前景概率大于背景概率,則預(yù)測(cè)為前景目標(biāo)，標(biāo)記為1，如果前景概率小于背景概率,則預(yù)測(cè)為背景，標(biāo)記為0。

2 肝臟分割

本文采用Vnet網(wǎng)絡(luò)對(duì)CT影像中的肝臟進(jìn)行分割。算法流程如圖2所示。具體流程如下：首先對(duì)CT影像數(shù)據(jù)進(jìn)行預(yù)處理，然后將預(yù)處理后的圖像尺寸縮小4倍，之后將縮小后的圖像尺寸裁剪為大小128×128×128，再使用訓(xùn)練好的Vnet網(wǎng)絡(luò)對(duì)圖像數(shù)據(jù)進(jìn)行計(jì)算，最后使用后處理優(yōu)化分割結(jié)果并還原為原圖像尺寸，從而得到肝臟的分割結(jié)果。

圖2 肝臟分割流程圖

2.1 預(yù)處理

預(yù)處理主要包括以下三步：分辨率標(biāo)準(zhǔn)化，調(diào)窗處理和灰度值標(biāo)準(zhǔn)化。CT影像由于機(jī)器的差異或者參數(shù)設(shè)置的差異，其空間分辨率大相徑庭，如果沒(méi)有進(jìn)行分辨率標(biāo)準(zhǔn)化，將會(huì)影響肝臟分割準(zhǔn)確度。針對(duì)肝臟分割，本文采用了分辨率0.69×0.69×1.0 mm3進(jìn)行標(biāo)準(zhǔn)化。分辨率標(biāo)準(zhǔn)化的方式是根據(jù)標(biāo)準(zhǔn)分辨率和自身分辨率，計(jì)算縮放倍數(shù)進(jìn)行縮放?？s放的方式為線性插值。調(diào)窗處理即選擇灰度值范圍，所有大于窗口最大值的灰度值修改為窗口最大值，所有小于窗口最小值得灰度值修改為窗口最小值。該操作可以過(guò)濾CT影像中不相關(guān)的組織和器官，從而降低算法分割難度，提高分割準(zhǔn)確率。針對(duì)肝臟分割，選擇灰度值范圍為[-250,250]?；叶戎禈?biāo)準(zhǔn)化是指將灰度值減去灰度值的均值，再除以灰度值的標(biāo)準(zhǔn)差，灰度值標(biāo)準(zhǔn)化的目的是為了方便數(shù)據(jù)處理和加快模型收斂?；叶戎档木岛蜆?biāo)準(zhǔn)差是通過(guò)統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)計(jì)算得到的。

2.2 模型訓(xùn)練

Vnet網(wǎng)絡(luò)屬于有監(jiān)督學(xué)習(xí)算法，因此網(wǎng)絡(luò)模型的權(quán)重參數(shù)需要通過(guò)訓(xùn)練得到。訓(xùn)練Vnet網(wǎng)絡(luò)分為兩部分：制作訓(xùn)練集和訓(xùn)練模型。制作訓(xùn)練集就是將提供的CT數(shù)據(jù)預(yù)處理，然后縮放裁剪為大小128×128×128。訓(xùn)練模型需要選擇梯度下降算法、選擇損失函數(shù)和設(shè)置相關(guān)的超參數(shù)。本文選擇了Adam自適應(yīng)梯度下降算法[20]來(lái)擬合參數(shù)，損失函數(shù)選擇為Dice損失函數(shù)。Dice損失函數(shù)描述的是圖像分割結(jié)果中預(yù)測(cè)區(qū)域和真實(shí)區(qū)域之間的重合程度。公式如下：

(1)

其中：N代表體素塊的體素?cái)?shù)量；pi代表網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果；gi代表對(duì)應(yīng)體素真實(shí)標(biāo)記。

訓(xùn)練Vnet網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置為0.001，梯度系數(shù)設(shè)為0.9，平方梯度的系數(shù)設(shè)為0.999，權(quán)重衰減系數(shù)設(shè)置為1×10-8。為了提高模型的泛化能力，加入了數(shù)據(jù)增強(qiáng)。增強(qiáng)方式包括：在制作訓(xùn)練數(shù)據(jù)時(shí)，加入隨機(jī)平移；在訓(xùn)練模型中加入動(dòng)態(tài)的隨機(jī)旋轉(zhuǎn)和動(dòng)態(tài)B樣條插值。

2.3 后處理

后處理是為了優(yōu)化分割結(jié)果。這里采用了形態(tài)學(xué)方法來(lái)進(jìn)行后處理：首先對(duì)分割結(jié)果中標(biāo)記為1的連接通量進(jìn)行腐蝕，然后只保留分割結(jié)果中的最大連接通量，最后再對(duì)最大連接通量進(jìn)行膨脹。通過(guò)上述操作可以有效減少分割結(jié)果中的假陽(yáng)性。

3 肝癌分割

本文采用Vnet網(wǎng)絡(luò)來(lái)對(duì)肝臟中的肝癌進(jìn)行分割。算法流程如圖3所示。具體流程如下：首先是根據(jù)肝臟分割結(jié)果，提取肝臟區(qū)域，然后再對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，之后將CT圖像橫斷面尺寸縮小為256×256，再采用訓(xùn)練好的Vnet網(wǎng)絡(luò)對(duì)肝臟區(qū)域進(jìn)行掃描計(jì)算，最后進(jìn)行后處理并還原為原圖像尺寸，從而得到肝癌的分割結(jié)果。肝癌分割的Vnet網(wǎng)絡(luò)輸入大小為256×256×16。

圖3 肝癌分割流程圖

3.1 預(yù)處理

肝癌分割的預(yù)處理包括調(diào)窗處理，三維區(qū)域直方圖均衡化和灰度值標(biāo)準(zhǔn)化。肝癌分割不需要分辨率標(biāo)準(zhǔn)化，是因?yàn)榉直媛蕵?biāo)準(zhǔn)化會(huì)導(dǎo)致部分CT影像中的小型肝癌丟失。直方圖均衡化的用途是為了提高肝癌和肝組織之間的對(duì)比度，從而提高肝癌的分割準(zhǔn)確度。

3.2 模型訓(xùn)練

肝癌分割和肝臟分割都采用Vnet網(wǎng)絡(luò)結(jié)構(gòu)。不同的地方在于：肝癌分割的Vnet網(wǎng)絡(luò)的輸入大小為256×256×16；計(jì)算的圖像數(shù)據(jù)只包含肝臟區(qū)域；需要采用掃描計(jì)算的方式對(duì)整個(gè)肝臟區(qū)域進(jìn)行計(jì)算。肝臟分割只需要Vnet網(wǎng)絡(luò)對(duì)整體計(jì)算一次。

肝癌分割的Vnet網(wǎng)絡(luò)計(jì)算的圖像數(shù)據(jù)只包含肝臟區(qū)域，因此訓(xùn)練數(shù)據(jù)也只需要包含肝臟區(qū)域。在根據(jù)真實(shí)標(biāo)記提取肝臟區(qū)域后，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理。為了減少類別不平衡，只采用數(shù)據(jù)中包含肝癌的切片做成訓(xùn)練集，因?yàn)楦伟┓指詈透闻K分割都采用Vnet網(wǎng)絡(luò)結(jié)構(gòu)，因此在訓(xùn)練肝癌分割的時(shí)候，采用訓(xùn)練好的肝臟分割Vnet網(wǎng)絡(luò)的權(quán)重參數(shù)作為肝癌分割Vnet網(wǎng)絡(luò)的初始化參數(shù)，并在此基礎(chǔ)上進(jìn)行微調(diào)，相應(yīng)的學(xué)習(xí)率設(shè)置為0.0001。梯度下降算法同樣采用Adam算法。

在CT影像中，肝癌形態(tài)呈彌漫性、不均勻性和稀疏性，因此對(duì)肝癌分割會(huì)出現(xiàn)嚴(yán)重的類別不平衡問(wèn)題。圖像分割本質(zhì)上是像素級(jí)的分類問(wèn)題，當(dāng)出現(xiàn)類別不平衡問(wèn)題，分割準(zhǔn)確率會(huì)大幅下降。為了能讓Vnet網(wǎng)絡(luò)在類別不平衡的情況依然能夠被有效地訓(xùn)練，本文采用了組合損失函數(shù)。該損失函數(shù)由Dice函數(shù)和帶權(quán)重的交叉熵?fù)p失函數(shù)組成，公式如下：

E=EDice+ECrossEntropy

(2)

交叉熵?fù)p失函數(shù)的權(quán)重是通過(guò)統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)中肝癌和背景的比例得到的。Dice損失函數(shù)本身對(duì)類別不平衡問(wèn)題較為不敏感，帶權(quán)重的交叉熵?fù)p失函數(shù)則利用了閾值移動(dòng)的原理來(lái)應(yīng)對(duì)類別不平衡問(wèn)題。通過(guò)組合這兩個(gè)損失函數(shù)可以讓模型更好地收斂，提高模型性能。

訓(xùn)練肝癌分割的Vnet網(wǎng)絡(luò)也加入了數(shù)據(jù)增強(qiáng)，包括：在制作訓(xùn)練數(shù)據(jù)時(shí)，加入隨機(jī)平移；在訓(xùn)練模型中加入動(dòng)態(tài)的隨機(jī)旋轉(zhuǎn)。

3.3 后處理

肝癌分割結(jié)果中，部分被標(biāo)記為肝癌的體素點(diǎn)位于肝臟區(qū)域外部。而肝癌必然位于肝臟區(qū)域內(nèi)，基于這個(gè)先驗(yàn)，對(duì)這部分肝癌體素點(diǎn)直接剔除。

4 實(shí)驗(yàn)與討論

4.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用的數(shù)據(jù)集為MICCAI 2017 Liver Tumor Segmentation Challenge(LiTS)的數(shù)據(jù)集。LiTS數(shù)據(jù)集提供了130例帶標(biāo)注的腹部CT數(shù)據(jù)。這些腹部CT數(shù)據(jù)的軸向分辨率最小為0.55 mm，最大為1.0 mm，層厚最小為0.45 mm，最大為6.0 mm。數(shù)據(jù)提供了肝臟和肝癌的真實(shí)標(biāo)記，可用于算法的訓(xùn)練和測(cè)試。

4.2 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)所使用的硬件環(huán)境如下：Intel(R) Core(TM) i7-6700K CPU @ 4 GHz，內(nèi)存(RAM)64 GB，顯卡 GeForce GTX 1080兩塊。開(kāi)發(fā)系統(tǒng)為Ubuntu 14.04，開(kāi)發(fā)工具為python和pytorch。

4.3 實(shí)驗(yàn)評(píng)估方法

為了評(píng)估器官分割實(shí)驗(yàn)中算法的分割準(zhǔn)確度，本文采用以下五個(gè)指標(biāo)進(jìn)行全面地評(píng)估，分別為：

A代表真實(shí)屬于器官的區(qū)域，B代表預(yù)測(cè)屬于器官的區(qū)域；S代表表面體素點(diǎn)，S(A)和S(B)代表A和B的表面體素點(diǎn)。

1)Dice系數(shù)：

(3)

2)體積重疊誤差(Volume Overlap Error, VOE)：

(4)

3)相對(duì)體積偏差(Relative Volume Difference, RVD):

(5)

4)平均對(duì)稱面距(Average Symmetric Surface Distance, ASSD)：

(6)

d(v,S(A))表示體素v到表面體素S(A)的最短歐式距離。公式如下:

(7)

5)最大對(duì)稱面距(Maximum Symmetric Surface Distance , MSSD):

(8)

Dice系數(shù)的值越接近1，則分割越精準(zhǔn)。VOE數(shù)值越小代表分割準(zhǔn)確度越高。RVD值為0時(shí)，分割算法是最優(yōu)的。ASSD和MSSD都是值越小，表明分割效果良好，當(dāng)值為0時(shí)，分割結(jié)果最好。

4.4 實(shí)驗(yàn)設(shè)計(jì)

為了保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，本文采用5折交叉驗(yàn)證進(jìn)行實(shí)驗(yàn)，即隨機(jī)將130例數(shù)據(jù)分為5組，每組包含26例數(shù)據(jù)。每次挑選其中的1份作為測(cè)試集，剩下的4份作為訓(xùn)練集。然后進(jìn)行5輪訓(xùn)練和測(cè)試。最后統(tǒng)計(jì)5輪測(cè)試結(jié)果的平均值作為最終測(cè)試結(jié)果。為了防止訓(xùn)練過(guò)擬合，每次訓(xùn)練需要從訓(xùn)練集抽取15例數(shù)據(jù)作為驗(yàn)證集。

在訓(xùn)練肝臟分割和肝癌分割的Vnet網(wǎng)絡(luò)中，batch size的大小都設(shè)置為4，訓(xùn)練迭代次數(shù)都設(shè)置為200，在出現(xiàn)明顯過(guò)擬合的時(shí)候停止訓(xùn)練。

4.5 實(shí)驗(yàn)結(jié)果

利用LiTS數(shù)據(jù)集完成5折交叉驗(yàn)證實(shí)驗(yàn)，平均測(cè)試結(jié)果如表1所示。

表1 測(cè)試結(jié)果

通過(guò)表1可以看出基于Vnet網(wǎng)絡(luò)的肝臟分割算法在交叉實(shí)驗(yàn)中平均Dice系數(shù)達(dá)到0.951，說(shuō)明算法可以準(zhǔn)確地對(duì)肝臟進(jìn)行分割?；赩net網(wǎng)絡(luò)的肝癌分割算法的平均Dice系數(shù)達(dá)到0.712，說(shuō)明算法可以對(duì)較為準(zhǔn)確地對(duì)肝癌進(jìn)行分割。

隨機(jī)從測(cè)試集中抽取一例CT數(shù)據(jù)，并選擇其中一層切片。對(duì)該切片的算法分割結(jié)果和真實(shí)標(biāo)記進(jìn)行可視化并對(duì)比。對(duì)比圖如圖4所示。通過(guò)該圖可以發(fā)現(xiàn)，肝臟分割算法的分割結(jié)果和真實(shí)標(biāo)記基本相同，而肝癌分割算法的分割結(jié)果中大型肝癌可以較為準(zhǔn)確地分割，小型肝癌則存在一處漏檢，原因在于小型肝癌特征不明顯，分割難度較大，容易出現(xiàn)漏檢。

圖4 分割結(jié)果對(duì)比圖

4.6 討論

本文提出了基于Vnet網(wǎng)絡(luò)的肝臟分割算法，采用了Vnet網(wǎng)絡(luò)分割結(jié)合后處理的方式。為了對(duì)比肝臟分割算法的性能，同樣采用5折交叉驗(yàn)證實(shí)驗(yàn)驗(yàn)證了Unet[11]網(wǎng)絡(luò)和3D Unet[12]網(wǎng)絡(luò)的性能。Unet網(wǎng)絡(luò)為二維全卷積網(wǎng)絡(luò)，在二維圖像分割上準(zhǔn)確度較高，被廣泛應(yīng)用。Unet結(jié)構(gòu)上也為級(jí)聯(lián)對(duì)稱結(jié)構(gòu)，通過(guò)級(jí)聯(lián)層補(bǔ)充壓縮過(guò)程中丟失的信息。3D Unet網(wǎng)絡(luò)則是在Unet網(wǎng)絡(luò)基礎(chǔ)上提出的三維全卷積神經(jīng)網(wǎng)絡(luò)，和Unet網(wǎng)絡(luò)不同的地方在于數(shù)據(jù)維度，網(wǎng)絡(luò)深度和卷積核的數(shù)量。Unet網(wǎng)絡(luò)和3D Unet網(wǎng)絡(luò)的平均測(cè)試結(jié)果如表2所示。表中還羅列了未加后處理的Vnet網(wǎng)絡(luò)的平均測(cè)試結(jié)果。

表2 肝臟分割測(cè)試結(jié)果對(duì)比

從測(cè)試結(jié)果可以看出，Vnet網(wǎng)絡(luò)加后處理的方式在測(cè)試集上的各項(xiàng)指標(biāo)都優(yōu)于單一Vnet網(wǎng)絡(luò)，說(shuō)明后處理的加入有效去除了分割結(jié)果中的假陽(yáng)性，提高了分割準(zhǔn)確率。3D Unet網(wǎng)絡(luò)在測(cè)試集的各項(xiàng)指標(biāo)低于Vnet網(wǎng)絡(luò)，主要原因在于3D Unet網(wǎng)絡(luò)的網(wǎng)絡(luò)深度和感受野較都小于Vnet網(wǎng)絡(luò)。Unet網(wǎng)絡(luò)的在測(cè)試集的表現(xiàn)則明顯低于Unet網(wǎng)絡(luò)和Vnet網(wǎng)絡(luò)。其原因在于Unet網(wǎng)絡(luò)作為二維全卷積網(wǎng)絡(luò)無(wú)法利用CT影像中的空間信息，即切片間的相關(guān)性。三維全卷積神網(wǎng)絡(luò)則可以很好的利用空間信息，因此三維全卷積神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率是更高的。

本文在Vnet網(wǎng)絡(luò)結(jié)構(gòu)中加入了BN來(lái)加快模型收斂。經(jīng)過(guò)實(shí)驗(yàn)，加入了BN后的Vnet網(wǎng)絡(luò)平均在第96次迭代時(shí)，驗(yàn)證集Dice系數(shù)達(dá)到最高值，而訓(xùn)練未加入BN的Vnet網(wǎng)絡(luò)平均在第121次迭代才達(dá)到最高值，說(shuō)明Vnet網(wǎng)絡(luò)在加入BN后可以更快收斂。

本文在訓(xùn)練肝癌分割Vnet網(wǎng)絡(luò)中，在訓(xùn)練好的肝臟分割Vnet網(wǎng)絡(luò)的權(quán)重參數(shù)的基礎(chǔ)上進(jìn)行微調(diào)。使用微調(diào)的方式訓(xùn)練Vnet網(wǎng)絡(luò)，驗(yàn)證集上Dice系數(shù)平均最高為0.741，而采用隨機(jī)初始化參數(shù)的方式訓(xùn)練Vnet網(wǎng)絡(luò)，驗(yàn)證集上Dice系數(shù)平均最高為0.728。說(shuō)明采用微調(diào)的方式，肝癌分割的Vnet網(wǎng)絡(luò)收斂效果更好。

本文在肝癌分割算法中采用了組合損失函數(shù)，目的是為了應(yīng)對(duì)類別不平衡問(wèn)題。使用組合損失函數(shù)相比于使用單一的Dice損失函數(shù)和單一的交叉熵?fù)p失函數(shù)，模型的收斂效果會(huì)更好。本文分別使用單一的Dice損失函數(shù)、單一的交叉熵?fù)p失函數(shù)和組合損失函數(shù)訓(xùn)練Vnet網(wǎng)絡(luò)。在驗(yàn)證集沒(méi)有出現(xiàn)過(guò)擬合的情況下，采用單一的Dice損失函數(shù)在驗(yàn)證集上Dice系數(shù)平均最高為0.727，,單一的交叉熵?fù)p失函數(shù)為0.725，組合損失函數(shù)為0.741。說(shuō)明組合損失函數(shù)相比單一損失函數(shù)可以讓模型更好地收斂。

在肝癌分割算法中加入了簡(jiǎn)單的后處理：剔除不在肝臟區(qū)域的肝癌體素點(diǎn)。經(jīng)過(guò)測(cè)試，不加后處理的肝癌分割準(zhǔn)確率為0.707，加入后處理后肝癌分割準(zhǔn)確率為0.712。說(shuō)明該后處理有效提高了肝癌分割準(zhǔn)確率。

5 結(jié)束語(yǔ)

本文提出了基于三維全卷積網(wǎng)絡(luò)的肝臟分割和肝癌分割算法。采用了加入BN的Vnet網(wǎng)絡(luò)進(jìn)行肝臟分割和肝癌分割。通過(guò)加入后處理有效提高了肝臟分割的準(zhǔn)確度。通過(guò)采用微調(diào)的方式和組合損失函數(shù)，更好地訓(xùn)練肝癌分割的Vnet網(wǎng)絡(luò)。利用公開(kāi)數(shù)據(jù)集驗(yàn)證了肝臟分割和肝癌分割的準(zhǔn)確度。測(cè)試結(jié)果表明肝臟分割算法可以準(zhǔn)確地對(duì)肝臟進(jìn)行分割，肝癌分割算法達(dá)到較高準(zhǔn)確度。后續(xù)需要針對(duì)小型肝癌的分割進(jìn)行改進(jìn)。