侯騰璇，趙涓涓+，強 彥，王三虎，王 磐

(1.太原理工大學(xué) 信息與計算機學(xué)院，山西 晉中 030600；2.呂梁學(xué)院 計算機科學(xué)與技術(shù)系，山西 呂梁 033000)

0 引 言

近年來，隨著計算機和胸外科技術(shù)的日趨成熟，醫(yī)學(xué)影像在肺癌中起到不可忽視的作用。診斷肺癌的影像學(xué)方法包括了X射線檢查、正電子發(fā)射斷層掃描成像和計算機斷層掃描成像(computed tomography，CT)等，醫(yī)生無需對患者的病變組織進行侵入式提取便可觀察到病變組織的大小、位置、形態(tài)、紋理等特征。肺癌最開始多表現(xiàn)為肺部結(jié)節(jié)，它們尺寸小、對比度低、形狀異質(zhì)化高，CT圖像中肺結(jié)節(jié)的邊緣模糊、灰度不均勻、受到噪聲和偽影的影響大。用于肺結(jié)節(jié)分割的傳統(tǒng)方法[1-3]大多數(shù)比較局限、結(jié)節(jié)種類針對性強，分割精度也遠遠低于醫(yī)師期望的水平。而且，CT影像數(shù)據(jù)指數(shù)型增長，加重了醫(yī)生的負擔(dān)。因此，提出一種對于肺結(jié)節(jié)種類針對性小甚至無針對性的方法實現(xiàn)肺結(jié)節(jié)的分割對肺癌的早期診斷十分重要。機器學(xué)習(xí)的快速發(fā)展給肺結(jié)節(jié)的分割帶來了新方向。Olaf Ronneberger等提出UNet[4]網(wǎng)絡(luò)是一種像素級圖像分割的深度卷積網(wǎng)絡(luò)，比較適用于生物、醫(yī)學(xué)影像領(lǐng)域。以LUNA16為數(shù)據(jù)集，通過UNet網(wǎng)絡(luò)訓(xùn)練的迭代優(yōu)化，分割準(zhǔn)確率達到約88.91%，有很大的提升空間。因此，提高肺結(jié)節(jié)分割的準(zhǔn)確度定位在對UNet網(wǎng)絡(luò)結(jié)構(gòu)的研究改進。

1 相關(guān)工作

1.1 UNet分割網(wǎng)絡(luò)

肺結(jié)節(jié)的分割不是一個孤立的領(lǐng)域，而是一個從粗略到精細的自然過程。UNet網(wǎng)絡(luò)結(jié)構(gòu)特點是將分割目標(biāo)的底層信息和高層信息結(jié)合用于目標(biāo)像素點定位。其中，經(jīng)過多層的卷積操作和下采樣操作得到的低分辨率圖像是原始圖像對應(yīng)的底層信息，該信息為分割目標(biāo)提供在原始圖像中的相對位置信息。而高層信息是指編碼路徑對應(yīng)到相同高度的解碼路徑的高分辨率圖像，該圖像中含有的信息為目標(biāo)圖像的分割提供梯度等精細特征。但是，UNet結(jié)構(gòu)仍存在很多缺陷，使用二維的卷積、池化操作提取肺部CT圖像的特征導(dǎo)致肺結(jié)節(jié)丟失豐富的空間信息；再者，下采樣過程中丟失了很多上下文信息，在上采樣的過程中并沒有完全恢復(fù)目標(biāo)的細節(jié)和相應(yīng)的空間維度，導(dǎo)致上采樣的結(jié)果比較模糊，對圖像中的細節(jié)不敏感；UNet網(wǎng)絡(luò)實現(xiàn)了對肺部圖像像素級的分割，但是分割的過程只提取單個像素的特征，完全忽略像素與像素的關(guān)聯(lián)?？偨Y(jié)以上分割方法存在的問題：像素級別的分割方法忽視了肺結(jié)節(jié)的空間一致性[5]，導(dǎo)致上下文信息的丟失，未將像素間的關(guān)系考慮在內(nèi)，這些問題使得UNet分割的結(jié)果準(zhǔn)確率低。

1.2 全連接條件隨機場

Philipp Krahenbuhl等提出了全連接條件隨機場[6](fully connected conditional random fields，fully CRF)是一種基于概率的無向圖結(jié)構(gòu)，可以用于像素級圖像的分割。目標(biāo)圖像中的各個像素都存在對應(yīng)的類別標(biāo)簽，視目標(biāo)圖像的像素為圖的頂點，頂點作為狀態(tài)特征，連接圖中所有像素點作為邊，邊代表轉(zhuǎn)移特征，求解像素標(biāo)簽時考慮圖像中其余像素對該像素的影響，極大地細化了標(biāo)記和分割，使得邊界處分割準(zhǔn)確。

1.3 CRF 3D-UNet網(wǎng)絡(luò)

針對上述存在的問題，本文提出一種將3D-UNet網(wǎng)絡(luò)與全連接條件隨機場結(jié)合的模型，用于分割肺結(jié)節(jié)。本文的數(shù)據(jù)集使用Lung Nodule Analysis 2016 (LUNA2016)，這個數(shù)據(jù)集中含有的CT圖像有對應(yīng)的醫(yī)生標(biāo)記好的結(jié)節(jié)，并提供具體位置。第一步對LUNA16數(shù)據(jù)集中結(jié)節(jié)樣例進行預(yù)處理，為3D-UNet網(wǎng)絡(luò)生成適當(dāng)?shù)挠?xùn)練集，使用這些訓(xùn)練集來訓(xùn)練有監(jiān)督分割器。3D-UNet網(wǎng)絡(luò)分割結(jié)果根據(jù)輸出的各像素是否屬于結(jié)節(jié)的概率，構(gòu)建CT影像的像素概率地圖。通過機器視覺算法[8]，將各區(qū)域合并，輸出疑似區(qū)域集。最后將此疑似區(qū)域集經(jīng)過一系列處理操作然后輸入到全連接條件隨機場，實現(xiàn)從粗分割到細分割的突破。

2 方法描述

本文提出了CRF 3D-UNet網(wǎng)絡(luò)結(jié)構(gòu)，3D-UNet網(wǎng)絡(luò)(如圖1所示)對CT序列圖像進行操作之后得到了像素概率地圖，即粗分割的結(jié)果。之后連接全連接條件隨機場(如圖2所示)，該技術(shù)將分割的目標(biāo)圖像中像素間的關(guān)系考慮在內(nèi)，輸出具有空間一致性的分割結(jié)果圖。本文提出的整體模型框架將全連接條件隨機場與3D-UNet網(wǎng)絡(luò)[9,10]技術(shù)結(jié)合，前端使用3D-UNet網(wǎng)絡(luò)進行特征粗提取，后端使用全連接條件隨機場技術(shù)優(yōu)化前端的輸出，端到端網(wǎng)絡(luò)的構(gòu)建使得分割圖更加精確。

圖1 3D-UNet網(wǎng)絡(luò)結(jié)構(gòu)

圖2 全連接條件隨機場結(jié)構(gòu)(fully CRF)

2.1 3D-UNet網(wǎng)絡(luò)結(jié)構(gòu)

由于肺部CT圖像是一個三維的斷層圖，肺結(jié)節(jié)在體積、形狀及許多其它特征如精細度、內(nèi)部結(jié)構(gòu)、球形度等方面有很大的變化[11]，加之血管、支氣管等復(fù)雜的構(gòu)造使肺部CT圖像具有豐富的上下文環(huán)境。使用二維的卷積、池化、上采樣操作會丟失很大一部分空間和上下文信息。對比二維CNN，三維CNN將數(shù)據(jù)的空間信息利用起來，提煉出圖像層與層之間隱含的代表性特征。所以本文采用三維CNN結(jié)構(gòu)，而且為了保留邊界處的卷積結(jié)果，使用Same填充，處理CT序列影像數(shù)據(jù)。

本文提到的3D CNN結(jié)構(gòu)指的是3D卷積層、3D池化層、3D上采樣層。輸入肺結(jié)節(jié)的CT序列圖像，經(jīng)過3D CNN操作得到不同通道去除冗余之后的顯著性特征。

3D卷積層：CRF 3D-UNet網(wǎng)絡(luò)從3D卷積層開始，輸入F和卷積核W之間的操作定義為

(1)

3D最大池化層：3D卷積層之后接著是3D最大池化層，利用不同通道之間的平移不變性對特征進行子采樣。3D最大池化操作不做卷積操作，只取當(dāng)前窗口最大值作為新圖的像素值。然后深度上滑動，得到多個特征圖。本文的最大池化層包含兩種，第一種應(yīng)用于圖1網(wǎng)絡(luò)結(jié)構(gòu)的第6層和第12層，假設(shè)當(dāng)前第l層是卷積層，而第l+1層是最大池化層，對于經(jīng)過卷積層的輸出結(jié)果選擇一個立方體領(lǐng)域內(nèi)的最大體素值進行激活，大小縮為原來的一半；第二種應(yīng)用于網(wǎng)絡(luò)結(jié)構(gòu)的第3層和第9層，假設(shè)當(dāng)前第l層是卷積層，而第l+1層是最大池化層，對于經(jīng)過卷積層的輸出結(jié)果選擇一個立方體領(lǐng)域內(nèi)的最大體素值進行激活并且將最大值的位置坐標(biāo)記錄下來，之后傳遞到對應(yīng)的上采樣層，最大池化的操作如圖3所示。

圖3 3D最大池化+標(biāo)記坐標(biāo)

3D上采樣層：上采樣就是池化的逆過程(索引在上采樣過程中發(fā)揮作用[8])，在上采樣層中可以得到在池化中相對卷積核的位置。經(jīng)過3D卷積層和3D最大池化層之后得到了最低分辨率的特征地圖，很明顯經(jīng)過池化之后，每個卷積核會丟失9個像素值，這些權(quán)重是無法復(fù)原的，因此，需要通過對特征地圖進行3D上采樣操作來彌補丟失的信息。如圖1網(wǎng)絡(luò)結(jié)構(gòu)所示，此結(jié)構(gòu)是對稱的，第13層和第19層的上采樣操作是先將立方體區(qū)域的體積翻倍然后對立方體領(lǐng)域進行三線性插值，第16層和第22層是接收第3層和第9層傳遞過來的最大值的坐標(biāo)位置，然后將立方體區(qū)域的體積加倍，將最大值填入原來的位置，剩余立方體區(qū)域中的值補為0。同時這4層融合對應(yīng)層傳遞過來的經(jīng)過卷積之后的深度特征。

綜上，網(wǎng)絡(luò)結(jié)構(gòu)前半部分經(jīng)過卷積和池化操作損失了分割目標(biāo)很多的上下文信息和空間信息，而實現(xiàn)分割的關(guān)鍵是像素點的精確定位，所以在池化階段做出了改進，在最大池化的過程中引入索引功能，融合兩種不同的池化操作可以實現(xiàn)像素更精準(zhǔn)的定位。

2.2 精分割

后端使用全連接條件隨機場技術(shù)，考慮輸入圖像像素間的關(guān)聯(lián)性，實現(xiàn)對肺結(jié)節(jié)更加精確的分割。從網(wǎng)絡(luò)結(jié)構(gòu)圖1和圖2可以看出，前端的輸出是經(jīng)過3D-UNet網(wǎng)絡(luò)級聯(lián)淺層特征的結(jié)果O1，對結(jié)果圖進行一系列操作之后輸入到全連接條件隨機場。這里的操作指的是先將結(jié)果圖O1與輸入圖I進行數(shù)值型或操作得到圖H1，然后在圖H1中定位到O1中結(jié)節(jié)的位置將其像素值置為0，同時將胸腔區(qū)域的像素值也置為0，得到圖H2；然后綜合考慮本文用到的LUNA16數(shù)據(jù)集和山西某醫(yī)院的數(shù)據(jù)集結(jié)節(jié)的尺寸情況，統(tǒng)計所得結(jié)節(jié)最大直徑大約是27.442 mm。通過改進遺傳算法的任意圖形最大內(nèi)接矩形[12]算法找到粗分割圖中肺結(jié)節(jié)的最大內(nèi)接矩形，然后定位矩形的4個坐標(biāo)點，將坐標(biāo)相加除以2找到最大內(nèi)接矩形的中心點，最后以中心點為中心將H2框到28 mm×28 mm的區(qū)域內(nèi)，將H2作為全連接條件隨機場的輸入，H2包括有可能成為結(jié)節(jié)的其它像素點。

對于相同大小的輸入圖H2，每個像素i具有類別標(biāo)簽Mi，這里的類別標(biāo)簽有兩類：肺結(jié)節(jié)和非肺結(jié)節(jié)。這樣每個像素點作為節(jié)點，像素之間的連線作為邊，構(gòu)成了完全無向圖。序列M={M1,M2,…Mn}和T={T1,T2,…Tn},標(biāo)簽Y={Y1,Y2}即構(gòu)成全連接條件隨機場(T,M)，T的大小小于輸入的肺結(jié)節(jié)序列圖像大小，代表對應(yīng)序列圖像的真實標(biāo)簽，Mj是賦予每個像素點的分類標(biāo)簽。我們通過觀測變量T來推測像素i對應(yīng)的類別標(biāo)簽Mi。條件隨機場符合吉布斯[13]分布如式(2)

(2)

其中，g=(v,e)代表序列圖M中的節(jié)點v和邊e，t是圖M中的最大團，φt是最大團的勢函數(shù)，Z(T)是規(guī)范化因子[14]，代表一系列最大團之和。吉布斯能量函數(shù)E(M|T)如式(3)

E(M|T)=∑t∈Tgφt(Mt|T)

(3)

為了簡便，以下省略全局變量T，一元勢函數(shù)φv和二元勢函數(shù)φe組成目標(biāo)能量函數(shù)，如式(4)

(4)

其中，φv(Mi)=-logP(Mi)。一元勢函數(shù)原本的計算只考慮了單個像素點的特征就對像素點進行分類標(biāo)簽，這和前端的輸出一致，所以本文中全連接條件隨機場直接計算二元勢函數(shù)即可。二元勢函數(shù)將像素與像素之間的關(guān)系考慮進來，為相似的像素標(biāo)記相同的標(biāo)簽，而對于差別很大的像素給予不同類型的標(biāo)簽，使像素點標(biāo)簽的分配更符合空間一致性。這樣的操作才能使肺結(jié)節(jié)邊界處的分割結(jié)果更準(zhǔn)確。最終每個像素點對應(yīng)的標(biāo)簽通過最大后驗概率求得如式(5)

X*=argmaxM∈YNP(M|T)

(5)

由于經(jīng)過3D-UNet網(wǎng)絡(luò)的每一個像素的一元分類器的輸出獨立于其它像素的分類器的輸出并且通過最大后驗概率求得的一元分類的輸出存在噪聲且不連續(xù)，所以對二元勢函數(shù)的訓(xùn)練很重要。二元勢函數(shù)的形式如式(6)

(6)

其中，在肺結(jié)節(jié)的訓(xùn)練中g(shù)=2，需要訓(xùn)練兩個將特征fi和fj作為自變量的高斯核，每個核賦予一定的權(quán)重ω，當(dāng)Xi≠Xj時，u(Mi,Mj)=1；否則u(Mi,Mj)=0。全連接條件隨機場的二元勢函數(shù)的訓(xùn)練考慮像素點的手工特征如：位置信息和顏色信息，將其編碼成向量融入二元勢函數(shù)如式(7)

(7)

其中，pi代表位置變量，Ti代表顏色向量，θα,θβ,θγ是需要訓(xùn)練的高斯核參數(shù)，這些參數(shù)從數(shù)據(jù)中學(xué)習(xí)得來，控制相似性的程度。在式(7)中第一項表示位置相近而且有相似顏色的像素點成為相同標(biāo)簽的可能性，而第二項表示移除H2圖中一些孤立的區(qū)域。對于輸入圖H2，其一元勢函數(shù)的值已經(jīng)通過3D-UNet網(wǎng)絡(luò)得出，二元勢函數(shù)通過編碼手工特征進一步精確定位像素，將一元勢函數(shù)和二元勢函數(shù)相加得到每個像素點屬于肺結(jié)節(jié)的概率。

3 實驗結(jié)果

3.1 數(shù)據(jù)集和實驗環(huán)境

本文方法所使用的實驗數(shù)據(jù)是LUNA16數(shù)據(jù)集和山西某醫(yī)院的數(shù)據(jù)集,其中將LUNA16作為訓(xùn)練集，將山西某醫(yī)院的數(shù)據(jù)平均分開，一半作為訓(xùn)練集，一半作為測試集。LUNA16數(shù)據(jù)集包括888個肺部疾病患者，其中肺結(jié)節(jié)的最大直徑是27.442 mm，并且數(shù)據(jù)集中選取的是至少由3位專家標(biāo)注的1186個結(jié)節(jié)，將這些結(jié)節(jié)作為最后要檢測的區(qū)域。采集到的山西某影像科數(shù)據(jù)含有219例病人，經(jīng)診斷120 例病人是肺結(jié)節(jié)，這些病人平均含有148張CT數(shù)據(jù)，17 760張CT圖像中含有2800個結(jié)節(jié)(有可能多個切片表示一個結(jié)節(jié))，大直徑范圍為：1.6 mm-23 mm，肺結(jié)節(jié)的平均直徑為5.1 mm。經(jīng)一組專家診斷最終確定，2800個結(jié)節(jié)中良性結(jié)節(jié)有1180個，惡性結(jié)節(jié)有1620個。本文網(wǎng)絡(luò)的運行環(huán)境為Python3.4，Keras框架，Theano后端，CentOS7.4，GPU tesla m40,處理器Intel(R) Xeon(R) CPU E5-2630 v4 @ 2.20 GHz。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練過程

3.2.1 3D-UNet網(wǎng)絡(luò)結(jié)構(gòu)

首先是對圖像的預(yù)處理過程，讀取LUNA16和合作醫(yī)院作為訓(xùn)練部分的數(shù)據(jù)的標(biāo)注得到每個結(jié)節(jié)序列圖對應(yīng)的包含結(jié)節(jié)的最大范圍的掩膜圖；然后提取肺部感興趣區(qū)域生成每個結(jié)節(jié)對應(yīng)的肺實質(zhì)區(qū)域以縮小我們的結(jié)節(jié)搜索范圍；二值化圖像設(shè)置合理的閾值實現(xiàn)能夠區(qū)分肺和密度更高的組織，之后使用形態(tài)學(xué)操作填補黑色肺實質(zhì)區(qū)域；將感興趣區(qū)域的掩碼作用于CT圖像，對感興趣區(qū)域的邊界框進行裁剪，之后將得到的圖像大小調(diào)整為512×512；最終結(jié)果是一系列可以作為訓(xùn)練樣本的肺部圖像。將肺部圖像成對讀入網(wǎng)絡(luò)進行訓(xùn)練，隨機初始化權(quán)重，將最初的學(xué)習(xí)速率設(shè)置為1.0e-5，循環(huán)次數(shù)設(shè)置為20，一次讀入的圖像數(shù)設(shè)置為8，使用Adam優(yōu)化器，從頭開始訓(xùn)練經(jīng)過3個小時訓(xùn)練完畢。損失函數(shù)使用Dice[15]系數(shù)。

3.2.2 全連接條件隨機場推斷過程

將經(jīng)過3D-UNet網(wǎng)絡(luò)訓(xùn)練得到的2586張粗分割圖作為全連接條件隨機場的輸入，訓(xùn)練二元勢函數(shù)的參數(shù)。全連接條件隨機場的推斷過程[16,17]主要包括：根據(jù)3D-UNet的輸出粗分割圖初始化一元勢函數(shù)；信息傳遞，對于當(dāng)前像素點i，依據(jù)求得不同的高斯核函數(shù)來計算其余像素點對當(dāng)前像素點的影響程度；若兩個相近像素點的標(biāo)簽差異很大，添加懲罰項；將二元勢函數(shù)的結(jié)果與一元勢函數(shù)相加來更新當(dāng)前像素點的標(biāo)簽。算法流程見表1。

表1 全連接條件隨機場的推斷過程

3.3 實驗結(jié)果

3.3.1 評價標(biāo)準(zhǔn)

本文從3個度量標(biāo)準(zhǔn)來對分割結(jié)果做出評測，靈敏性、特異性、交叉比[18]。

2016年8月，新的北辰基督教堂建成啟用。新教堂建筑面積12000平方米，最高處24米，階梯式大廳可容納2500人。

靈敏性是指所有的肺結(jié)節(jié)得到正確分割的概率；靈敏性=真陽性/(真陽性+假陰性)。特異性是指所有非結(jié)節(jié)得到正確診斷的概率；特異性=真陰性/(真陰性+假陽性)。交叉比是指本文方法分割出的結(jié)果與專家手工標(biāo)記結(jié)果的交集與并集的比值。

將本文方法與之前方法做出比較，結(jié)果見表2，我們的方法準(zhǔn)確度達到93.25%，目前效果最佳。

3.3.2 結(jié)果與分析

我們用山西某醫(yī)院的219列病人的一半數(shù)據(jù)作為測試集驗證我們方法的準(zhǔn)確率。山西某醫(yī)院的數(shù)據(jù)包括微小型肺結(jié)節(jié)、孤立型肺結(jié)節(jié)、血管粘連型肺結(jié)節(jié)、胸膜牽拉型肺結(jié)節(jié)和磨玻璃型肺結(jié)節(jié)。使用提出的方法對比了在去噪、處理細小組織、邊緣模糊目標(biāo)物體與背景灰度值相近目標(biāo)物體等方面的分割效果。圖4顯示了該方法對胸膜牽拉型肺結(jié)節(jié)的分割的效果，可以明顯看出使用本文提出的方法分割出肺結(jié)節(jié)邊緣形狀最符合專家手動標(biāo)記的分割結(jié)果，胸膜和結(jié)節(jié)的連接部分比較細致，灰度值接近，邊界區(qū)域較難分割，條件隨機場技術(shù)針對像素點的位置與周圍像素點對其產(chǎn)生的影像，本文使用兩種算法的融合可以將胸膜和肺結(jié)節(jié)邊界區(qū)分開。

表2 不同方法的準(zhǔn)確率/%

圖4 胸膜牽拉型肺結(jié)節(jié)的分割

圖5顯示了該方法對血管粘連型肺結(jié)節(jié)的分割效果，由于血管的復(fù)雜性，將小血管誤認為肺結(jié)節(jié)分割很容易，導(dǎo)致準(zhǔn)確分割肺結(jié)節(jié)困難。可以明顯看出圖5(c)、圖5(e)、圖5(f)、圖5(g)的分割結(jié)果并沒有將肺結(jié)節(jié)和粘連處的血管區(qū)分開，本文提出的方法達到了這個效果。

圖5 血管粘連型肺結(jié)節(jié)的分割

圖6顯示了該方法對磨玻璃型肺結(jié)節(jié)的分割效果，磨玻璃型結(jié)節(jié)的特性(形狀多變、顏色較淡等)和血管很難區(qū)分，很明顯看出圖6(c)、圖6(e)、圖6(f)、圖6(g)方法對肺結(jié)節(jié)和血管的分割效果不夠理想，而本文提出的方法效果較好，也更貼近專家提供的期望邊界。

圖6 磨玻璃型肺結(jié)節(jié)的分割

圖7 孤立型肺結(jié)節(jié)的分割

圖8顯示對不同類型肺結(jié)節(jié)的分割結(jié)果，可以看出添加了全連接條件隨機場的分割效果要整體優(yōu)于沒有添加該技術(shù)的方法所得結(jié)果，而且在某些毛刺特征明顯的結(jié)節(jié)邊緣處分割效果優(yōu)于人工標(biāo)記，主要是因為該方法兼顧了灰度對比度與邊緣連續(xù)性。但是對于胸膜牽拉型的肺結(jié)節(jié)有時候會出現(xiàn)過分割的現(xiàn)象，主要是由于胸膜牽拉型肺結(jié)節(jié)的牽拉處灰度值和肺結(jié)節(jié)的灰度值相比對比度很低。

圖8 對不同類型的肺結(jié)節(jié)進行分割的結(jié)果

表3顯示了對山西省某醫(yī)院不同類型肺結(jié)節(jié)分割的錯誤率E[18]對比，其錯誤率定義為式(8)

(8)

其中，R0和Rm分別是本文算法分割的肺結(jié)節(jié)邊界和專家手動標(biāo)記的肺結(jié)節(jié)邊界。

表3 不同類型肺結(jié)節(jié)的錯分率

3.3.3 與目前成熟分割算法的對比

成熟的分割算法有：模糊C均值聚類算法(FCM)，李越[19]提出將FCM算法作為基礎(chǔ)，同時應(yīng)用小波變換方法針對CT圖像展開分解，之后將分解后的低頻圖的像素點作為FCM算法的基礎(chǔ)點,然后采用馬氏距離來進一步修正，從而確保更加準(zhǔn)確反映醫(yī)學(xué)圖像中的信息。但是經(jīng)實驗此算法對于胸膜牽拉型結(jié)節(jié)和血管粘連型結(jié)節(jié)的分割效果比較差。Jonathan Long等[17]提出用于圖像像素級分割的全卷積網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN)，F(xiàn)CN把原本卷積網(wǎng)絡(luò)后面接的幾個全連接層都換成卷積，這樣就可以獲得一張2維的feature map，而后接softmax層獲得每個像素點的分類信息，從而解決了分割問題。但是此方法存在的問題就是下采樣過程丟失的信息并未在反卷積過程彌補完整，所以造成分割結(jié)果準(zhǔn)確度不高。Simon JégoU等[20]改進DenseNets來處理語義分割問題。但由于此方法主要應(yīng)用于通用圖像，如：分割一幅圖像中的建筑物、車、藍天等像素差別特別大，而且前景和背景沒有引起太大的差異。對比肺結(jié)節(jié)CT圖像，正好相反，目標(biāo)和背景對比差異太大，在一個大的背景下分割小目標(biāo)，像素對比差異較微小。所以將該方法用于肺部CT圖像的分割效果并不佳。表4顯示將本文方法與這3種算法用于肺結(jié)節(jié)分割的結(jié)果準(zhǔn)確率對比。圖9顯示了這些算法和本文方法的結(jié)果圖對比。

表4 不同方法對不同類型肺結(jié)節(jié)的分割準(zhǔn)確率/%

圖9 成熟算法與本文算法的結(jié)果圖對比

4 結(jié)束語

由于肺結(jié)節(jié)CT圖像含有豐富的空間信息，結(jié)合肺結(jié)節(jié)的形狀、紋理異質(zhì)性高[21]等特性，本文提出了CRF 3D-UNet網(wǎng)絡(luò)結(jié)構(gòu)用于肺結(jié)節(jié)的分割。該網(wǎng)絡(luò)前端利用了CT圖像中豐富的空間信息，將兩種最大池化操作結(jié)合用于像素的精確定位，上采樣的過程中融合淺層的深度特征來彌補下采樣過程中丟失的上下文信息，輸出肺結(jié)節(jié)的粗分割圖；后端結(jié)合全連接條件隨機場優(yōu)化前端的輸出，考慮了像素間的關(guān)聯(lián)性，實現(xiàn)從粗分割到精分割的跨越，顯著提高了分割的精度。經(jīng)過對山西某醫(yī)院數(shù)據(jù)的測試，最終本文方法獲得93.25%的準(zhǔn)確率，93.14%的靈敏性，90.21%的特異性。

使用CRF 3D-UNet網(wǎng)絡(luò)方法分割出CT圖像的肺結(jié)節(jié)之后，后續(xù)的計劃是對分割出的肺結(jié)節(jié)進行惡性度分類，分析其后期的生長情況，為肺癌的早期預(yù)防提供真正意義的輔助診斷。