亢 潔,丁菊敏,萬(wàn) 永,雷 濤

(1.陜西科技大學(xué) a.電氣與控制工程學(xué)院; b.電子信息與人工智能學(xué)院,西安 710021;2.西安交通大學(xué)第一附屬醫(yī)院 老年外科,西安 710061)

0 概述

為了方便醫(yī)生對(duì)肝臟病癥患者進(jìn)行疾病診斷、功能評(píng)估和治療方案制定,需要對(duì)肝臟區(qū)域進(jìn)行精準(zhǔn)分割[1]。目前,臨床多采用計(jì)算機(jī)輔助的人機(jī)交互方式進(jìn)行肝臟分割,分割一個(gè)病例通常需要30 min～40 min,因此,研究一種快速準(zhǔn)確且適合臨床應(yīng)用的肝臟CT圖像分割算法具有重要意義。然而,肝臟與毗鄰器官灰度值相近,準(zhǔn)確判斷肝臟邊界位置具有一定難度,因此,肝臟CT圖像的自動(dòng)分割仍是一項(xiàng)極具挑戰(zhàn)的任務(wù)。截至目前,研究人員已提出大量肝臟圖像分割算法[2],這些算法可大致分為傳統(tǒng)算法和深度學(xué)習(xí)算法兩大類,其中,傳統(tǒng)算法主要包括水平集法[3-4]、區(qū)域生長(zhǎng)法[5-6]、圖割法[7-8]和閾值法[9-11]等,而深度學(xué)習(xí)算法主要有全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Network,FCN)[12-13]和U-Net[14-15]等。

在傳統(tǒng)肝臟圖像分割算法中,研究人員主要依靠先驗(yàn)信息設(shè)計(jì)有效的肝臟描述子,然后對(duì)特征進(jìn)行分類進(jìn)而實(shí)現(xiàn)圖像分割。文獻(xiàn)[16]在利用區(qū)域增長(zhǎng)算法提取肝臟區(qū)域的基礎(chǔ)上通過(guò)統(tǒng)一水平集優(yōu)化分割結(jié)果,減小肝臟灰度分布不均對(duì)分割準(zhǔn)確性的影響,但是該方法對(duì)弱邊緣肝臟CT圖像的分割結(jié)果不理想。文獻(xiàn)[17]利用傳統(tǒng)圖割理論對(duì)背景簡(jiǎn)單的肝臟圖像進(jìn)行分割,文獻(xiàn)[18]在其基礎(chǔ)上進(jìn)行改進(jìn),將亮度和外觀模型融合到圖像分割的能量函數(shù)中,提高肝臟與周圍組織的對(duì)比度,從而減少誤分割現(xiàn)象,但其不能排除病變區(qū)域的干擾。為了提高算法的泛化能力,文獻(xiàn)[19]結(jié)合圖形的先驗(yàn)信息,使用馬爾科夫隨機(jī)場(chǎng)作為驅(qū)動(dòng)目標(biāo)運(yùn)動(dòng)的內(nèi)力,將稀疏表示作為約束目標(biāo)運(yùn)動(dòng)的外力,建立最優(yōu)搜索框架,該算法分割精度較高,但運(yùn)算時(shí)間復(fù)雜度較大。傳統(tǒng)肝臟分割算法主要采用人工設(shè)計(jì)的特征模板提取圖像特征,其提取的特征數(shù)量較少,易將灰度值相近的非肝臟組織錯(cuò)分為肝臟區(qū)域。

相比于傳統(tǒng)肝臟圖像分割算法,深度學(xué)習(xí)算法能夠利用大量訓(xùn)練樣本有效學(xué)習(xí)肝臟器官的圖像特征,其肝臟分割結(jié)果優(yōu)于傳統(tǒng)算法。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[20]是一種經(jīng)典的深度學(xué)習(xí)算法,可以學(xué)習(xí)輸入與輸出之間的非線性映射,而FCN可直接實(shí)現(xiàn)端到端的圖像分割[21]。文獻(xiàn)[22-23]分別采用VGG-16修改的FCN以及RV-FCN實(shí)現(xiàn)肝臟分割,但上述2種方法的分割結(jié)果不夠精細(xì),存在誤分割現(xiàn)象。文獻(xiàn)[24]采用級(jí)聯(lián)的U-Net模型實(shí)現(xiàn)肝臟與腫瘤的分割,取得了較好的分割結(jié)果。盡管卷積神經(jīng)網(wǎng)絡(luò)能夠有效捕獲肝臟圖像的語(yǔ)義信息,但其池化層導(dǎo)致肝臟圖像的細(xì)節(jié)信息丟失,影響肝臟分割的精度。

鑒于分水嶺算法對(duì)弱邊緣響應(yīng)良好,本文提出一種基于分水嶺修正與U-Net的肝臟分割算法。利用U-Net模型融合淺層特征與高維特征,得到肝臟初始分割結(jié)果并進(jìn)行形態(tài)學(xué)膨脹處理。根據(jù)原圖得到肝臟擴(kuò)大區(qū)域,并應(yīng)用分水嶺算法形成的超像素塊對(duì)U-Net初始分割結(jié)果的邊界進(jìn)行修正,使最終的肝臟分割邊界更加平滑準(zhǔn)確。

1 U-Net模型

U-Net是一種輕量級(jí)的全卷積神經(jīng)網(wǎng)絡(luò),其由收縮路徑(編碼器)和擴(kuò)張路徑(解碼器)兩部分組成[25],共包括23個(gè)卷積層、4個(gè)最大池化層(下采樣)和4個(gè)反卷積層(上采樣)。其中,收縮路徑遵循典型的卷積網(wǎng)絡(luò)結(jié)構(gòu),在每?jī)蓚€(gè)3×3的卷積層后,放置一個(gè)2×2最大池化層,其步長(zhǎng)為2。使用修正線性單元(Rectified Linear Unit,ReLU)作為激活函數(shù),每經(jīng)過(guò)一次下采樣操作,特征通道數(shù)量加倍。擴(kuò)張路徑利用2×2的卷積核對(duì)特征圖譜進(jìn)行上采樣,使特征通道數(shù)減半,將上采樣后的特征圖譜與來(lái)自收縮路徑的特征圖譜相結(jié)合,然后利用2次3×3的卷積進(jìn)行卷積運(yùn)算,并同樣使用ReLU作為激活函數(shù)。最后,利用1×1的卷積核將每一個(gè)64維的特征向量映射到網(wǎng)絡(luò)的輸出層,即可得到類的數(shù)量。

U-Net是對(duì)FCN的優(yōu)化與改進(jìn),其結(jié)構(gòu)簡(jiǎn)單,參數(shù)量小,適用于小數(shù)據(jù)集和二分類的使用場(chǎng)景[26],而FCN在經(jīng)過(guò)一系列卷積池化后,所得到的高維特征圖丟失了目標(biāo)位置等淺層細(xì)節(jié)信息,導(dǎo)致目標(biāo)定位的精度降低。兩者的不同之處在于,U-Net在卷積層后添加了上采樣過(guò)程,其在每個(gè)階段都通過(guò)編碼器和解碼器之間的跳躍連接,將各階段編碼器與解碼器生成的特征圖在對(duì)應(yīng)位置進(jìn)行疊加,并利用卷積操作融合圖像的淺層特征與深層特征。由于淺層特征一般為目標(biāo)位置、邊緣等細(xì)節(jié)信息,用來(lái)解決像素目標(biāo)的定位問(wèn)題,而深層特征主要是目標(biāo)的語(yǔ)義信息,用于進(jìn)行最終的像素分類,因此,U-Net可兼顧圖像的底層特征與高層語(yǔ)義特征,避免細(xì)節(jié)信息丟失,進(jìn)而提高目標(biāo)分割精度。

雖然U-Net對(duì)于小數(shù)據(jù)集具有較好的分割結(jié)果,可以有效避免過(guò)擬合現(xiàn)象,但是U-Net的多個(gè)池化層導(dǎo)致其難以對(duì)肝臟邊緣細(xì)節(jié)進(jìn)行精確分割,影響肝臟區(qū)域的分割精度。因此,本文將分水嶺算法與U-Net進(jìn)行結(jié)合,以提高肝臟分割的精度。

2 分水嶺算法

分水嶺算法是一種建立在數(shù)學(xué)形態(tài)學(xué)理論基礎(chǔ)上的區(qū)域圖像分割算法[27]。圖像中像素的灰度值可以看作測(cè)地學(xué)上的拓?fù)涞孛?像素灰度值表示該點(diǎn)的海拔高度,每一個(gè)局部極小值及其影響區(qū)域稱為集水盆[28],集水盆的邊界即為分水嶺。

圖1給出分水嶺算法的肝臟分割結(jié)果,可以看出,該算法的分割精度較高,對(duì)腹部CT圖像中肝臟區(qū)域的弱邊緣具有良好的響應(yīng)。此外,在利用分水嶺算法分割腹部CT圖像時(shí),會(huì)形成許多封閉的超像素塊和貼合肝臟區(qū)域邊緣的超像素輪廓,為后續(xù)修正U-Net肝臟分割結(jié)果提供了條件。

圖1 分水嶺算法的肝臟圖像分割結(jié)果

Fig.1 Result of liver image segmentation using the watershed algorithm

3 本文算法

本文基于U-Net模型和分水嶺算法各自的優(yōu)勢(shì),提出一種新的肝臟分割算法,其基本框架如圖2所示,大致可以分為3個(gè)部分。其中,第1個(gè)部分進(jìn)行數(shù)據(jù)預(yù)處理,其目的是抑制無(wú)用信息,提高肝臟與其他組織的對(duì)比度,第2個(gè)部分通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)U-Net融合淺層特征與高維特征,得到初步分割結(jié)果,第3個(gè)部分利用分水嶺算法形成的超像素塊對(duì)初步分割結(jié)果進(jìn)行優(yōu)化,得到最終的分割結(jié)果。

圖2 本文算法框架

3.1 數(shù)據(jù)預(yù)處理

CT圖像與自然圖像不同,即使在同一成像條件下,也會(huì)因?yàn)樵O(shè)備不同而使采集的CT圖像有所差異。為了完整地保留目標(biāo)區(qū)域,需要對(duì)獲取的CT圖像進(jìn)行預(yù)處理。

本文應(yīng)用W/L調(diào)窗算法將肝臟CT圖像轉(zhuǎn)換為灰度圖像。由于肝臟組織的CT值一般在50 Hu～250 Hu之間,為了抑制無(wú)用信息,提高肝臟與其他組織的對(duì)比度,將窗寬值和窗位值分別設(shè)置為200 Hu和150 Hu,圖片分辨率設(shè)置為512像素×512像素。在得到肝臟CT圖像的灰度圖以后,使用高斯濾波器對(duì)灰度圖進(jìn)行去噪,所得數(shù)據(jù)即為下一步U-Net的訓(xùn)練與預(yù)測(cè)數(shù)據(jù)。

3.2 基于分水嶺修正與U-Net的肝臟精準(zhǔn)分割

U-Net輸入圖像的分辨率為512像素×512像素,經(jīng)過(guò)卷積操作后,第1個(gè)卷積層組輸出特征圖的大小為64×512×512,第2個(gè)卷積層組輸出特征圖的大小為128×256×256,依此類推。由于卷積操作會(huì)使圖像維度發(fā)生變化,因此本文在所有卷積層之前均使用padding=1對(duì)圖像進(jìn)行填充,保持圖像維度不變。

反卷積層針對(duì)填充后的特征圖進(jìn)行卷積操作。在U-Net每一個(gè)上采樣層中,通過(guò)反卷積操作恢復(fù)圖像的維度,并將其與對(duì)應(yīng)池化層的特征圖像進(jìn)行結(jié)合,實(shí)現(xiàn)池化層特征圖的重用。輸出層采用Softmax作為激活函數(shù),以輸出單通道的概率圖譜,如式(1)所示。

(1)

其中,ak(x)表示每一個(gè)像素點(diǎn)對(duì)應(yīng)類的得分,pk(x)為像素對(duì)應(yīng)不同類別的概率,T為總類別數(shù),k為其中一個(gè)類別。pk(x)越大表示分類正確的概率越大,當(dāng)pk(x)≈1時(shí),ak(x)取得極大值,像素x的分類結(jié)果最好。網(wǎng)絡(luò)的權(quán)重計(jì)算如下:

(2)

(3)

其中,α為學(xué)習(xí)率,Ω為所有像素的集合,θj為網(wǎng)絡(luò)的權(quán)重,通過(guò)改變?chǔ)萰可以優(yōu)化網(wǎng)絡(luò)的分類性能。

U-Net算法的分割結(jié)果如圖3所示,其中虛線輪廓表示Ground truth,實(shí)線輪廓為U-Net分割結(jié)果?？梢钥闯?U-Net可分割出肝臟區(qū)域的輪廓,但難以對(duì)肝臟細(xì)節(jié)進(jìn)行精確分割,主要存在以下問(wèn)題:

1)對(duì)肝臟內(nèi)的病變區(qū)域存在誤分割現(xiàn)象,如圖3(a)所示。

2)受到造影劑影響,CT值變化較大的血管區(qū)域未包含在分割結(jié)果中,如圖3(b)所示。

3)對(duì)肝臟邊界存在過(guò)分割現(xiàn)象,如圖3(c)所示。

圖3 基于U-Net的肝臟圖像分割結(jié)果Fig.3 Results of liver image segmentation using the U-Net algorithm

針對(duì)上述問(wèn)題,本文采用分水嶺算法對(duì)肝臟邊緣進(jìn)行優(yōu)化,其核心思想是利用分水嶺形成的區(qū)域塊對(duì)U-Net的初始分割結(jié)果進(jìn)行取補(bǔ)操作。首先進(jìn)行結(jié)構(gòu)元素為10的膨脹運(yùn)算,并利用生成的掩膜圖像提取原圖信息,從而得到肝臟擴(kuò)大區(qū)域。然后計(jì)算各分水嶺區(qū)域塊初始分割結(jié)果的像素?cái)?shù)在區(qū)域塊總像素中的占比Ti(i=1,2,…,N),從而判斷是否對(duì)初始分割結(jié)果進(jìn)行了優(yōu)化,計(jì)算過(guò)程如式(4)所示。

(4)

利用式(5)判斷是否利用肝臟擴(kuò)大區(qū)域?qū)-Net初始分割結(jié)果進(jìn)行修正,計(jì)算公式如下:

(5)

其中,A根據(jù)實(shí)驗(yàn)測(cè)試設(shè)定為0.5,Ii表示分水嶺算法優(yōu)化后的區(qū)域塊,Mi表示區(qū)域塊中肝臟擴(kuò)大區(qū)域的像素?cái)?shù)。由式(5)可知,當(dāng)初始分割結(jié)果的像素?cái)?shù)與區(qū)域塊總像素?cái)?shù)的比例大于0.5時(shí),可以有效利用分水嶺形成的區(qū)域塊對(duì)U-Net的初始分割結(jié)果進(jìn)行修正。

本文算法流程如圖4所示,具體包括以下6個(gè)步驟:

步驟1使用形態(tài)學(xué)閉運(yùn)算對(duì)U-Net初始分割結(jié)果進(jìn)行膨脹,得到肝臟擴(kuò)大區(qū)域。

步驟2把肝臟擴(kuò)大區(qū)域在原圖中相對(duì)應(yīng)的部分提取出來(lái)。

步驟3使用分水嶺算法對(duì)原圖中的肝臟擴(kuò)大區(qū)域進(jìn)行分割。

步驟4將得到的分水嶺線疊加在U-Net初始分割結(jié)果上,并計(jì)算每一個(gè)分水嶺區(qū)域的像素點(diǎn)占比。

步驟5根據(jù)式(5)判斷是否使用膨脹后對(duì)應(yīng)分水嶺區(qū)域的像素點(diǎn)替代初始分割結(jié)果,對(duì)肝臟邊界進(jìn)行優(yōu)化。

步驟6輸出最終的分割結(jié)果。

提高畢業(yè)設(shè)計(jì)的教學(xué)質(zhì)量，必須要有嚴(yán)格的教務(wù)管理相匹配。學(xué)生依托學(xué)校的教學(xué)管理系統(tǒng)，按時(shí)保質(zhì)完成各種文檔的提交，并通過(guò)在線管理系統(tǒng)實(shí)現(xiàn)與指導(dǎo)老師的聯(lián)系。通過(guò)教務(wù)管理可以規(guī)范畢業(yè)設(shè)計(jì)的進(jìn)程，為畢業(yè)設(shè)計(jì)的每一個(gè)步驟提供質(zhì)量保證。

圖4 本文算法流程

分水嶺算法的修正結(jié)果如圖5所示,其中,圖5(a)為U-Net分割結(jié)果,方框區(qū)域?yàn)檎`分割部分,圖5(b)為誤分割部分的放大圖,圖5(c)為誤分割部分的分水線疊加圖,可以直觀地看出初始分割結(jié)果的像素占每個(gè)分水嶺小塊的比例,從而判斷是否需要利用式(4)和式(5)進(jìn)行修正。圖5(d)和圖5(e)分別為分水嶺的最終修正結(jié)果及其誤分割部分的修正放大圖,可以看出,使用分水嶺算法進(jìn)行修正可解決U-Net模型存在的誤分割和過(guò)分割問(wèn)題,優(yōu)化肝臟邊界區(qū)域,提高分割準(zhǔn)確度。

圖5 分水嶺修正結(jié)果

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)及環(huán)境

本文實(shí)驗(yàn)環(huán)境如下:CPU為Intel Core i9-9900X10,3.5 GHz,雙GPU為NVIDIA GeForce RTX 2080Ti,128 GB。U-Net在PyTorch 1.0.1開(kāi)源框架下實(shí)現(xiàn)。

選用Data A和3DIRCADb兩個(gè)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。Data A數(shù)據(jù)集包含100位患者的腹部增強(qiáng)CT數(shù)據(jù),由西安交通大學(xué)第一附屬醫(yī)院提供,每位患者的CT圖像有200張左右,由專業(yè)人士使用mimics 20.0醫(yī)學(xué)影像軟件進(jìn)行標(biāo)注,從而形成Ground truth。3DIRCADb數(shù)據(jù)集包含20位患者的增強(qiáng)CT圖像。在3DIRCADb和Data A數(shù)據(jù)集中分別選取10位患者和70位患者的CT影像作為U-Net模型的訓(xùn)練集,剩余患者的數(shù)據(jù)作為測(cè)試集。

本文U-Net模型的初始學(xué)習(xí)率為1×10-4,且每經(jīng)過(guò)2個(gè)周期,學(xué)習(xí)率衰減20%,經(jīng)過(guò)15個(gè)周期后完成訓(xùn)練,通過(guò)隨機(jī)梯度下降進(jìn)行反向傳播,批次大小為4。由于參數(shù)A的取值決定了是否對(duì)分割結(jié)果進(jìn)行修正,因此需要通過(guò)實(shí)驗(yàn)確定參數(shù)A的取值。圖6給出不同A值的肝臟分割修正結(jié)果,其中實(shí)線代表Ground truth,虛線代表U-Net初始分割結(jié)果,點(diǎn)劃線代表分水嶺修正結(jié)果?？梢钥闯?當(dāng)A=0.2時(shí),邊界修正程度過(guò)大,導(dǎo)致最終修正結(jié)果過(guò)度修正,當(dāng)A=0.8時(shí),邊界修正程度太小,使得最終修正結(jié)果與U-Net初始分割結(jié)果幾乎沒(méi)有差別,達(dá)不到邊界修正的目的。根據(jù)實(shí)驗(yàn)測(cè)試,當(dāng)A=0.5時(shí),可以達(dá)到較滿意的修正結(jié)果,因此,本文A值選取0.5。

圖6 不同A值的肝臟分割修正結(jié)果

Fig.6 Results of liver image segmentation correction using different values ofA

4.2 結(jié)果分析

圖7為3DIRCADb數(shù)據(jù)集中部分肝臟數(shù)據(jù)的分割結(jié)果,其中第1行包含明顯病變,第2行不包含病變,第3行包含輕微病變。圖8為Data A數(shù)據(jù)集中隨機(jī)選取的分割結(jié)果,其中第1行、第5行不包含病變,第2行有輕微病變,第3行、第4行包含明顯病變。分別使用文獻(xiàn)[17]算法、文獻(xiàn)[18]算法、文獻(xiàn)[22]算法、文獻(xiàn)[24]算法和本文算法對(duì)兩個(gè)數(shù)據(jù)集的肝臟影像進(jìn)行分割,虛線代表對(duì)應(yīng)算法分割結(jié)果,實(shí)線代表Ground truth。

圖7 3DIRCADb數(shù)據(jù)集的部分分割結(jié)果

圖8 Data A數(shù)據(jù)集的部分分割結(jié)果

圖割算法基于顏色統(tǒng)計(jì)采樣進(jìn)行圖像分割,其對(duì)前景和背景灰度值相差較大的圖像具有較好的分割效果。由圖7、圖8可知,文獻(xiàn)[17]方法能夠較好地分割出灰度值均勻的臟肝區(qū)域,但是對(duì)于灰度相近的相鄰組織會(huì)產(chǎn)生誤識(shí)別現(xiàn)象,當(dāng)肝臟內(nèi)有嚴(yán)重病變時(shí),分割效果較差(如圖7(a)第1行所示)。文獻(xiàn)[18]將亮度模型和外觀模型融合在圖割的能量函數(shù)中,提高肝臟區(qū)域與周圍組織的對(duì)比度,減少非肝臟區(qū)域的誤識(shí)別現(xiàn)象,但是當(dāng)肝臟內(nèi)有嚴(yán)重病變時(shí),該算法并不能排除病變區(qū)域的干擾,完整地分割出肝臟區(qū)域。此外,圖割算法需要人工標(biāo)記前景與背景,難以實(shí)肝臟全自動(dòng)分割。綜上所述,圖割算法并不能很好地解決肝臟分割問(wèn)題,而FCN中的池化層受感受野擴(kuò)大等因素的影響,易丟失細(xì)節(jié)信息,雖然文獻(xiàn)[22]方法可在一定程度上避免肝內(nèi)病變的干擾,但對(duì)于復(fù)雜背景的肝臟影像,仍然難以實(shí)現(xiàn)準(zhǔn)確定位(如圖8(c)第1行、第3行所示),導(dǎo)致脾臟被錯(cuò)分割為肝臟,出現(xiàn)誤分割現(xiàn)象。文獻(xiàn)[24]方法可分割出肝臟所在區(qū)域的輪廓,但無(wú)法獲得肝臟的精確邊界,且分割結(jié)果存在孔洞。本文在U-Net分割的基礎(chǔ)上采用分水嶺算法進(jìn)行修正,由于分水嶺算法對(duì)圖像邊緣具有良好的響應(yīng),可彌補(bǔ)U-Net分割結(jié)果不精確的缺陷,而U-Net可以在一定程度上排除肝臟病變的干擾,確定肝臟初始輪廓,因此本文算法的肝臟圖像分割精度較高。

為了進(jìn)一步驗(yàn)證本文算法可行性和有效性,采用MICCAI工作組提出的體積重疊誤差(Volumetric Overlap Error,VOE)、平均對(duì)稱表面距離(Average Symmetric Surface Distance,ASD)、最大對(duì)稱表面距離(Max Symmetric Surface Distance,MSD)[29]以及醫(yī)學(xué)圖像中常見(jiàn)的DICE系數(shù)4個(gè)指標(biāo)對(duì)分割結(jié)果進(jìn)行評(píng)價(jià),具體公式如式(6)～式(9)所示。

(6)

其中,A表示分割結(jié)果的區(qū)域,B表示Ground truth區(qū)域,|A∩B|表示A和B相交區(qū)域的像素?cái)?shù),|A∪B|表示A并B區(qū)域的像素?cái)?shù)。EVOE的取值為0～1,其值越小表示分割效果越好。

(7)

其中,S(A)和S(B)分別表示A和B邊界像素的集合,d(p,S)表示像素p到集合S的最短距離。對(duì)于完美分割的情況,DASD值為0。

(8)

由式(8)可知,DASD與DMSD的計(jì)算類似,當(dāng)實(shí)線完全精確分割時(shí),DMSD的值為0。

(9)

其中,CDICE表示兩個(gè)區(qū)域相交的面積占總面積的比值,完美分割時(shí),其值為1。

表1給出5種算法在測(cè)試集上的分割效果評(píng)價(jià)指標(biāo),可以看出,文獻(xiàn)[22]算法和文獻(xiàn)[24]算法的分割效果優(yōu)于文獻(xiàn)[17]算法和文獻(xiàn)[18]算法,證明全卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)分層學(xué)習(xí)的特征比傳統(tǒng)方式提取的特征更有優(yōu)勢(shì)。與U-Net模型相比,本文算法的CDICE值提高1.12%,EVOE指標(biāo)降低1.19%,表明本文算法能較好地分割肝臟的細(xì)節(jié)區(qū)域,使得分割結(jié)果更加精細(xì),此外,本文算法的DMSD值較小,說(shuō)明其能夠更好地獲取肝臟邊界。

表1 在測(cè)試集上各項(xiàng)指標(biāo)的平均值及標(biāo)準(zhǔn)差

5 結(jié)束語(yǔ)

本文提出一種基于分水嶺修正與U-Net的肝臟圖像自動(dòng)分割算法。利用U-Net模型融合淺層特征和高維特征,實(shí)現(xiàn)肝臟圖像的初始分割,通過(guò)分水嶺算法對(duì)初始分割結(jié)果的邊界進(jìn)行修正,得到最終的分割結(jié)果。實(shí)驗(yàn)結(jié)果表明,該算法能夠更加準(zhǔn)確地分割出肝臟區(qū)域,且泛化性能較好。下一步將對(duì)U-Net模型進(jìn)行改進(jìn),在不增加網(wǎng)絡(luò)規(guī)模的前提下,提高網(wǎng)絡(luò)的泛化能力及預(yù)測(cè)精度,改善肝臟分割算法的性能。