李佳昇，郭樹旭，張 磊，鄭 爽，張惠茅，邱云海，李雪妍

1.吉林大學(xué) 電子科學(xué)與工程學(xué)院，長春130012

2.吉林大學(xué)第一醫(yī)院 放射科，長春130021

約50%的結(jié)直腸癌患者會發(fā)生肝轉(zhuǎn)移。治愈性肝切除術(shù)為患者的治愈和延長生存期提供了機(jī)會。采用保守治療的患者5 年生存率約為5%。相比之下，那些進(jìn)行治愈性肝切除的患者的5 年生存率約為40%[1-3]。是否進(jìn)行治愈性肝切除，需要一個(gè)多學(xué)科決策系統(tǒng)來評估。臨床上根據(jù)《實(shí)體瘤反應(yīng)評估標(biāo)準(zhǔn)指南（RECIST 1.1）》來量化轉(zhuǎn)移性腫瘤的程度[4]。評估內(nèi)容包括腫瘤的數(shù)目、大小和在肝臟中的分布等。在腫瘤切除術(shù)之前或之后都要對患者進(jìn)行胸部、腹部和骨盆CT檢查[5]。隨著精準(zhǔn)醫(yī)學(xué)綜合治療技術(shù)的發(fā)展，以往放射科醫(yī)生對影像主觀評價(jià)的局限性越來越凸顯。機(jī)器學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像分析領(lǐng)域中的應(yīng)用越來越廣泛，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN）在醫(yī)學(xué)影像分割、分類和檢測等任務(wù)中的應(yīng)用[6-9]。

Kim等人[10]提出了一種改進(jìn)的Cycle GAN模型，其中多相位的U-Net作為生成器，用于分割肝臟和肝臟腫瘤。Sun 等人[11]設(shè)計(jì)了一種多通道全卷積神經(jīng)網(wǎng)絡(luò)（MC-FCN）模型，通過獨(dú)立訓(xùn)練不同時(shí)期的對比增強(qiáng)CT 影像，并將高維特征組合在一起來分割肝臟腫瘤。Han[12]提出了一種32層的CNN模型，并利用長程連接操作和ResNet短程殘差連接，將五張相鄰的切片（尺寸為320×320）組成2.5 維的結(jié)構(gòu)并作為輸入，生成與中心切片相對應(yīng)的分割圖像。在文獻(xiàn)[13]中，提出一種基于2 維CNN 的全自動(dòng)肝臟CT 影像分割方法，該方法將ResNet模塊作為短程連接，并進(jìn)行基于形態(tài)學(xué)的后處理從而減少腫瘤的分類錯(cuò)誤率。Vorontsov 等人[14]訓(xùn)練的深度網(wǎng)絡(luò)由兩個(gè)全卷積神經(jīng)網(wǎng)絡(luò)（FCN）網(wǎng)絡(luò)模型級聯(lián)而成，用于分割肝臟和肝臟腫瘤。Christ等人[15-16]應(yīng)用級聯(lián)U-Net 和三維條件隨機(jī)場（3DCRF）作為后處理完成肝臟和腫瘤的分割。

本文提出了一種改進(jìn)的級聯(lián)網(wǎng)絡(luò)框架，用于精準(zhǔn)分割和檢測腹部CT影像中的肝臟腫瘤。第一級U-Net完成肝臟輪廓分割，通過3D CRF完成精準(zhǔn)分割后輸入到形態(tài)學(xué)活動(dòng)輪廓模塊，根據(jù)肝臟范圍完成固定大小框圖的捕獲。形態(tài)學(xué)活動(dòng)輪廓獲得較小尺寸的圖像，輸入由U-Net[17]和Mask R-CNN[18]組成的第二級聯(lián)網(wǎng)絡(luò)完成肝臟腫瘤的精準(zhǔn)分割和檢測。

1 改進(jìn)級聯(lián)網(wǎng)絡(luò)模型方法設(shè)計(jì)

1.1 數(shù)據(jù)來源

本文實(shí)驗(yàn)數(shù)據(jù)是97名患者的腹部增強(qiáng)CT影像，來自吉林大學(xué)第一醫(yī)院放射科。醫(yī)院倫理委員會批準(zhǔn)了這項(xiàng)研究?；颊呔?jīng)病理證實(shí)患有結(jié)直腸癌，影像數(shù)據(jù)均來自于治療前。為了保護(hù)隱私，個(gè)人信息被清洗。CT 影像是以512×512 像素矩陣重建的DICOM 格式存儲，體素的大小為0.775 mm×0.775 mm×5 mm。每個(gè)患者都有完整的平掃影像、增強(qiáng)動(dòng)脈和靜脈CT影像。

數(shù)據(jù)的金標(biāo)準(zhǔn)是由兩名放射科醫(yī)生在飛利浦的ISD（IntelliSpace Discovery）平臺上手動(dòng)標(biāo)記的肝臟輪廓和肝臟腫瘤輪廓，如圖1所示。一名放射科主任醫(yī)生負(fù)責(zé)檢查標(biāo)注結(jié)果。利用Receiver Operating Characteristic Curve（ROC）來評估兩位放射科醫(yī)生勾畫的一致性，如果ROC重合率高于80%，則認(rèn)為勾畫正確。

圖1 金標(biāo)準(zhǔn)：醫(yī)生勾畫肝臟和肝臟腫瘤輪廓

1.2 數(shù)據(jù)擴(kuò)充

數(shù)據(jù)擴(kuò)充是提高深度學(xué)習(xí)網(wǎng)絡(luò)魯棒性的有效方法之一。通過數(shù)據(jù)擴(kuò)充，可以有效地緩解過擬合問題，提高分割精度。實(shí)驗(yàn)數(shù)據(jù)隨機(jī)被分成訓(xùn)練集、驗(yàn)證集和測試集（按7∶2∶1 的比例）。所有測試數(shù)據(jù)均未參與網(wǎng)絡(luò)參數(shù)調(diào)整，只做測試評估。對所有數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)充。數(shù)據(jù)擴(kuò)充方法以及數(shù)據(jù)量詳見表1，表中所有的數(shù)據(jù)首先通過平移n 個(gè)像素，然后以圖片中心為旋轉(zhuǎn)點(diǎn)旋轉(zhuǎn)m 度來擴(kuò)充。通過仿射變換擴(kuò)充數(shù)據(jù)集后，送入深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練的一個(gè)批次內(nèi)的切片，依然具有空間相似性。所以在網(wǎng)絡(luò)訓(xùn)練之前需要隨機(jī)調(diào)整數(shù)據(jù)的順序。

1.3 級聯(lián)網(wǎng)絡(luò)模型設(shè)計(jì)

CNN 包括卷積層、池化層、激活函數(shù)層和全連接層。FCN通過將CNN的最后一個(gè)全連接層更改為卷積層來實(shí)現(xiàn)像素級的分類，即為每個(gè)像素分配一個(gè)標(biāo)簽。FCN 對輸入圖像進(jìn)行端到端的預(yù)測，即通過一系列卷積、上采樣和下采樣的方法對輸入圖像進(jìn)行處理，特征提取、組合和輸出特征。U-Net 是一種改進(jìn)的FCN 模型，通過對圖像進(jìn)行卷積來實(shí)現(xiàn)對每一層的特征進(jìn)行提?。煌ㄟ^下采樣特征圖來減少特征參數(shù)，從而減少網(wǎng)絡(luò)模型參數(shù)量；通過反卷積上采樣特征圖，以實(shí)現(xiàn)局部信息的融合，并將特征圖的大小恢復(fù)為原始圖像；通過將不同卷積層之間的特征融合在一起，以增強(qiáng)特征的多樣性和魯棒性，使得分割結(jié)果更加準(zhǔn)確。U-Net在醫(yī)學(xué)影像分割方面表現(xiàn)最佳。Mask R-CNN 在目標(biāo)檢測領(lǐng)域應(yīng)用廣泛。檢測網(wǎng)絡(luò)先生成并篩選位置候選區(qū)域，再進(jìn)行目標(biāo)檢測及實(shí)例分割，與分割網(wǎng)絡(luò)相比能夠獲取目標(biāo)更多的位置信息。檢測網(wǎng)絡(luò)相同類別的單一檢測的目標(biāo)區(qū)域通過重疊度（IOU）合并在一起，不同的目標(biāo)即使相鄰也會擁有明確的分割邊界。如，兩個(gè)貼近的結(jié)直腸癌肝轉(zhuǎn)移腫瘤即使貼合在一起，也會有明確的區(qū)分邊界。

表1 數(shù)據(jù)擴(kuò)充方法

腫瘤在一張切片上所占的像素總數(shù)不到整個(gè)圖像的像素總數(shù)的5%。需要分類的像素占總像素的比例太小。實(shí)驗(yàn)中結(jié)果顯示采用U-Net 直接分割腫瘤的Dice系數(shù)約為43%，分割精度非常低。因此，由形態(tài)學(xué)活動(dòng)輪廓將肝臟區(qū)域提取出來，圖像大小為512×512剪裁為320×320，在肝臟區(qū)域內(nèi)，病變占整體像素的15%左右。通過級聯(lián)網(wǎng)絡(luò)的方法分割肝臟腫瘤，不僅彌補(bǔ)了深度學(xué)習(xí)對小目標(biāo)分割的不準(zhǔn)確性，使分割結(jié)果更加精確，還減少了計(jì)算機(jī)內(nèi)存和訓(xùn)練時(shí)間的浪費(fèi)。本文中，肝臟腫瘤的分割是通過級聯(lián)網(wǎng)絡(luò)實(shí)現(xiàn)的。級聯(lián)網(wǎng)絡(luò)的第一層是U-Net，完成肝臟分割；級聯(lián)網(wǎng)絡(luò)第二層是U-Net，完成肝臟腫瘤精準(zhǔn)分割，Mask R-CNN 用于檢測肝臟腫瘤。級聯(lián)網(wǎng)絡(luò)模型如圖2所示。本文采用的U-Net模型結(jié)構(gòu)如圖3所示，模型參數(shù)詳見表2。

網(wǎng)絡(luò)由輸入塊、卷積塊、反卷積塊和輸出塊組成。表2描述Kernel列中，“3×3×2”表示2層、卷積核大小為3×3的網(wǎng)絡(luò)層，Output size（1）、Output size（2）分別是級聯(lián)的U-Net 模型的第一層和第二層的輸出大小。網(wǎng)絡(luò)層 中 的Up1、Up2、Up3 和Up4 分 別 為Conv_layer4 和Conv_layer5 的第二個(gè)卷積層的融合并進(jìn)行反卷積、Conv_layer3 以及Deconv_layer1 的第二個(gè)卷積層的融合并進(jìn)行反卷積、Conv_layer2 以及Deconv_layer2 的第二個(gè)卷積層的融合并進(jìn)行反卷積、Conv_layer1 和Deconv_layer3的第二個(gè)卷積層的融合并進(jìn)行反卷積。

1.3.1 形態(tài)學(xué)活動(dòng)輪廓

圖2 級聯(lián)網(wǎng)絡(luò)模型示意圖

圖3 U-Net網(wǎng)絡(luò)結(jié)構(gòu)示意圖

級聯(lián)網(wǎng)絡(luò)第一層目的是獲得肝臟輪廓。本節(jié)提出在兩級網(wǎng)絡(luò)間使用形態(tài)活動(dòng)輪廓的方法。形態(tài)學(xué)活動(dòng)輪廓設(shè)計(jì)如圖4所示，偽代碼如下：

算法Morphological activity framework

Input：for example：（a），（b），（c）；

Output：for example：（d），（e）

1.FOR traverse all Fig（a）do

2.find the centroid of connected region in （a），named m

3.m extends 160 pixels to the upper，lower，left and right directions to form a block diagram and crop（a）.

4.IF the edge of the cropped image without any pixel whose value is 1 THEN

5.（b）and（c）crop the image at the same location，then save（d）and（e）

6.ELSE

7.the parallel lines of the upper, lower, left and right directions called yl,yr,xu,xd,are translated in turn

8.FOR i＜4 do

9.IF parallel scan line hits a pixel value of 1 THEN

10.get the distance from the parallel line to the coordinate axis

11.Continue；

12.END IF

13.END FOR

12.obtain the distance from the coordinate axis is ylm,yrm,xum,xdm。

13.ym=1/2(ylm+yrm)；

14.xm=1/2(xum+xdm)；

15.m=(xm,ym)

16.m extends 160 pixels to the upper，lower，left and right directions to form a block diagram and crop（a）.

17.（b）and（c）crop the image at the same location，then save（d）and（e）

18.END IF

19.END FOR

表2 級聯(lián)網(wǎng)絡(luò)模型參數(shù)設(shè)置

圖4 形態(tài)學(xué)活動(dòng)輪廓

圖4 （a）、（b）和（c）大小均為512×512，（a）是第一層級聯(lián)網(wǎng)絡(luò)分割輸出，經(jīng)3D CRF處理后所生成的肝臟二值圖像。（b）為原始的腹部CT 影像，（c）是原始腹部CT影像肝臟腫瘤所對應(yīng)的標(biāo)簽。（d）和（e）大小均為320×320，分別為形態(tài)活動(dòng)輪廓處理的腹部CT影像和相應(yīng)原始腹部CT影像的肝臟腫瘤標(biāo)簽。

設(shè)計(jì)形態(tài)活動(dòng)輪廓，其目的是消除肝臟和腫瘤以外的冗余信息，從而降低訓(xùn)練速度并提高模型的準(zhǔn)確性。實(shí)驗(yàn)中，腹部CT 影像肝臟區(qū)域至少需要300×300 像素才能涵蓋。320×320是被U-Net網(wǎng)絡(luò)層的卷積核整除的最小尺寸。為保證肝臟全覆蓋以及編解碼特征的正確融合，因此選擇大小為320×320作為活動(dòng)輪廓裁剪尺寸。

肝臟在一個(gè)患者的一組腹部CT影像中形狀并不規(guī)則。在形態(tài)活動(dòng)輪廓的偽代碼設(shè)計(jì)過程中，直接選擇中心的方法更適合于具有凸邊的肝臟，而掃描平行線的方法則更適合肝臟邊緣凹形。針對肝臟輪廓的不同情況，本文針對采用兩種方法適應(yīng)圖像特點(diǎn)選擇中心點(diǎn)。

1.3.2 Mask R-CNN模型設(shè)計(jì)

Mask R-CNN 可以被應(yīng)用于肝臟腫瘤的檢測和分割，以及區(qū)分腫瘤和背景的分類任務(wù)。圖5 表示Mask R-CNN的網(wǎng)絡(luò)結(jié)構(gòu)圖，由三部分組成，第一部分共享卷積層（backbone），實(shí)現(xiàn)特征的提取，第二部分是候選區(qū)域生長網(wǎng)絡(luò)（RPN）。RPN模塊類似于樹狀分支結(jié)構(gòu)，可以完成兩個(gè)任務(wù)。模塊主干是一個(gè)3×3的卷積層，樹枝由兩個(gè)1×1的卷積層組成，分別解決了前后景的輸出和邊框的修正。第三部分對候選網(wǎng)絡(luò)進(jìn)行分類的網(wǎng)絡(luò)，藍(lán)色框圖中數(shù)字表示分辨率和通道數(shù)，箭頭表示卷積、反卷積或全連接層（可以通過上下文推斷，卷積減小維度，反卷積增加維度）。所有的卷積都是3×3 的，除了輸出層，是1×1 的。反卷積是2×2 的，步長為2?！啊?”表示堆疊的4 個(gè)連續(xù)的卷積。添加卷積的目的通過擴(kuò)大輸出維度，使得預(yù)測更加準(zhǔn)確。Mask R-CNN可以通過這個(gè)模塊完成分類，檢測框圖，以及目標(biāo)分割的任務(wù)。

圖5 Mask R-CNN的網(wǎng)絡(luò)結(jié)構(gòu)示意圖

Mask R-CNN相比于Faster-R-CNN的改進(jìn)有兩點(diǎn)：將最后的預(yù)測層面上，集成了原有的框圖檢測、類別分類以及新增的語義分割為將原來ROI Pooling Layer改進(jìn)為ROI Align，剔除了Faster-R-CNN 在下采樣過程中以及將特征轉(zhuǎn)化為固定維度時(shí)取整的操作，利用雙線性差值的方法來更加精確地找到每個(gè)框圖對應(yīng)的特征。這樣相對于原來的目標(biāo)識別可以排除一部分誤差，更加精確地進(jìn)行像素級別的細(xì)化，實(shí)現(xiàn)分割要求。

本實(shí)驗(yàn)中使用遷移學(xué)習(xí)完成了Mask R-CNN 網(wǎng)絡(luò)的訓(xùn)練。共享了ResNet50 模型在COCO 數(shù)據(jù)集訓(xùn)練的卷積層參數(shù)。這樣可以解決數(shù)據(jù)量小的問題選擇FPN[19]網(wǎng)絡(luò)作為輸出層的“head”。遷移學(xué)習(xí)的優(yōu)勢在于保持原有的訓(xùn)練網(wǎng)絡(luò)模型以及效力的同時(shí)，可以大量減少深度學(xué)習(xí)對大量數(shù)據(jù)集的要求，以及減少大量的訓(xùn)練時(shí)間。

2 實(shí)驗(yàn)結(jié)果

2.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)是在裝有Windows 10 64位操作系統(tǒng)，有Intel i9-7920X 2.90 GHz，128 GB RAM 和2 塊NVIDIA GeForce GTX 1080Ti（11G）顯卡的計(jì)算機(jī)上進(jìn)行的。采用Python 3.5 編寫代碼。深度學(xué)習(xí)和遷移學(xué)習(xí)的訓(xùn)練和測試均以TensorFlow 作為后端框架，Keras 作為前端模塊完成。

2.2 參數(shù)設(shè)置與結(jié)果

本文提出一種改進(jìn)的級聯(lián)網(wǎng)絡(luò)。U-Net作為級聯(lián)網(wǎng)絡(luò)的第一層，該網(wǎng)絡(luò)負(fù)責(zé)分割肝臟。之后，通過形態(tài)活動(dòng)輪廓獲得級聯(lián)網(wǎng)絡(luò)第二層的輸入數(shù)據(jù)和對應(yīng)腫瘤標(biāo)簽。根據(jù)肝臟分割輪廓，將大小為512×512的圖像裁剪為320×320。選擇遷移學(xué)習(xí)網(wǎng)絡(luò)的Mask R-CNN 和深度學(xué)習(xí)網(wǎng)絡(luò)的U-Net作為級聯(lián)網(wǎng)絡(luò)的第二層。Mask RCNN 可以完成腫瘤的檢測和實(shí)例分割，并獲得被判定為腫瘤的置信度。

選用Dice系數(shù)來評價(jià)本文的網(wǎng)絡(luò)模型，Dice系數(shù)定義如下：

其中，X 是醫(yī)生手工勾畫的金標(biāo)準(zhǔn)在圖片中所占的區(qū)域，Y 是通過網(wǎng)絡(luò)自動(dòng)生成ROI 區(qū)域，分子代表X、Y具有相同像素值的像素?cái)?shù)，分母表示X、Y 的總像素。

級聯(lián)網(wǎng)絡(luò)的第一層學(xué)習(xí)率設(shè)置為0.000 1；batch_size設(shè)置為10，迭代次數(shù)設(shè)置為60。經(jīng)過30次迭代后，模型開始穩(wěn)定，并測試了批量大小設(shè)置為10的驗(yàn)證數(shù)據(jù)集。驗(yàn)證數(shù)據(jù)集的Dice 系數(shù)為97%。將3D CRF 作為后處理模塊以獲得更好的分割效果，Dice系數(shù)增加到98%。

級聯(lián)網(wǎng)絡(luò)的第二級，U-Net 網(wǎng)絡(luò)參數(shù)設(shè)置為學(xué)習(xí)率0.000 01；batch_size 設(shè)置為10，迭代次數(shù)設(shè)置為100 次，70次迭代以后模型開始穩(wěn)定，對驗(yàn)證集數(shù)據(jù)進(jìn)行測試，batch_size 也設(shè)置為10。因?yàn)槟[瘤是小目標(biāo)，為防止模型過擬合，選擇更小的學(xué)習(xí)率。Mask R-CNN是遷移學(xué)習(xí)模型，不需要大量數(shù)據(jù)集。每個(gè)GPU 上的batch_size設(shè)置為2。為了防止過擬合，選擇學(xué)習(xí)率逐漸衰減的學(xué)習(xí)方法。學(xué)習(xí)率設(shè)置為0.001，學(xué)習(xí)率初始動(dòng)量LEARNING_MOMENTUM=0.9，設(shè)置權(quán)重衰減正則化系數(shù)WEIGHT_DECAY=0.000 1，置信度設(shè)置為0.9。得到動(dòng)靜脈時(shí)期腫瘤影像訓(xùn)練迭代50 次，在30 次左右迭代達(dá)到穩(wěn)定；動(dòng)靜脈集合數(shù)據(jù)訓(xùn)練迭代次數(shù)70 次，在50 次左右迭代達(dá)到穩(wěn)定。

圖6 級聯(lián)網(wǎng)絡(luò)第二層分割腫瘤訓(xùn)練曲線圖

圖6 是級聯(lián)網(wǎng)絡(luò)第二層U-Net 或Mask R-CNN 肝臟腫瘤分割檢測網(wǎng)絡(luò)訓(xùn)練曲線圖。“train_class”和“train_mask”分別表示訓(xùn)練數(shù)據(jù)集的腫瘤的分類精度，和訓(xùn)練數(shù)據(jù)集腫瘤分割的Dice系數(shù)。當(dāng)Dice系數(shù)和分類精度均穩(wěn)定時(shí)，則認(rèn)為該模型已完成訓(xùn)練。當(dāng)模型穩(wěn)定時(shí)，Dice 系數(shù)和分類精度上下波動(dòng)不超過2%。通過對測試集的驗(yàn)證，對肝臟腫瘤直接用U-Net網(wǎng)絡(luò)進(jìn)行分割，得到Dice系數(shù)僅為43%。應(yīng)用本文的級聯(lián)網(wǎng)絡(luò)分割肝臟腫瘤Dice系數(shù)為74%。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的級聯(lián)網(wǎng)絡(luò)可以有效地提高分割精度Mask R-CNN 不僅可以獲取腫瘤分割結(jié)果，還可以在其他非腫瘤背景下獲得分類準(zhǔn)確性。Mask R-CNN 分割并以3D CRF 作為后處理檢測腫瘤和U-Net 分割腫瘤的結(jié)果示例如圖7 所示。Mask R-CNN在檢測方面，均值平均精度（mAP）為88%。

圖7 級聯(lián)網(wǎng)絡(luò)第二層分割腫瘤結(jié)果

圖7 中從上至下分別代表靜脈期、動(dòng)脈期和兩期的組合影像。每行圖像分別代表原始CT影像、MASK RCNN分割的腫瘤結(jié)果圖和U-Net分割并用3DCRF做后處理優(yōu)化的腫瘤分割結(jié)果圖。（a）代表靜脈期的原始CT影像，（b）和（c）代表（a）分別通過MASK R-CNN 和UNet 并以3DCRF 作為后處理的腫瘤分割結(jié)果。（d）代表動(dòng)脈期的原始CT 影像；（e）和（f）代表（d）分別通過MASK R-CNN 和U-Net 并以3D CRF 作為后處理的腫瘤分割結(jié)果。（g）代表兩個(gè)時(shí)期的原始CT 影像，（h）和（i）代表（g）分別通過MASK R-CNN 和U-Net 并以3D CRF作為后處理的腫瘤分割結(jié)果。

U-Net 分割腫瘤以及Mask R-CNN 分割和檢測腫瘤的結(jié)果的詳細(xì)信息如表3 和表4 所示。在表3 和表4中，Mask R-CNN 因?yàn)槟[瘤檢出率較高，在區(qū)分腫瘤和非腫瘤背景具有很高的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，Mask R-CNN能夠準(zhǔn)確識別腫瘤和腫瘤位置。

表3 U-Net+3D CRF肝臟腫瘤分割結(jié)果（Dice/檢出率） %

表4 Mask R-CNN肝臟腫瘤分割分類結(jié)果（Dice/檢出率/置信度） %

分割結(jié)果是否精確的評估標(biāo)準(zhǔn)是Dice系數(shù)、關(guān)注邊緣分割是否準(zhǔn)確。與Mask R-CNN相比，U-Net具有更精確的邊緣分割效果。針對本文實(shí)驗(yàn)數(shù)據(jù)，與其他分割模型相比，Dice系數(shù)具有更高的精度，見表5。

3 結(jié)語

通過改進(jìn)的級聯(lián)網(wǎng)絡(luò)模型的設(shè)計(jì)，針對測試集中的肝臟CT 影像，肝臟分割Dice 系數(shù)為97.5%。若級聯(lián)網(wǎng)絡(luò)第二層選擇U-Net，針對所有測試集中的靜脈肝臟腫瘤CT影像，肝臟腫瘤分割Dice系數(shù)為74%；若級聯(lián)網(wǎng)絡(luò)第二層選擇Mask R-CNN去檢測腫瘤，針對相同的肝臟腫瘤測試集平均Dice 系數(shù)為67%，mAP 為88%。本文改進(jìn)的級聯(lián)網(wǎng)絡(luò)通過分割網(wǎng)絡(luò)與分割網(wǎng)絡(luò)的級聯(lián)，和分割網(wǎng)絡(luò)與檢測網(wǎng)絡(luò)的級聯(lián)完成了肝臟腫瘤的細(xì)化分割和快速檢測。

表5 肝臟腫瘤靜脈分割對比結(jié)果

Mask R-CNN屬于目標(biāo)檢測集成框架，它可以輸出檢測到目標(biāo)類別，目標(biāo)區(qū)域置信度以及目標(biāo)的實(shí)例分割邊界。將Mask R-CNN應(yīng)用于患者肝臟是否包含腫瘤，腫瘤位置在哪里，具有明顯優(yōu)勢。檢測網(wǎng)絡(luò)可以更精確地定位位置信息和給出腫瘤分類的正確率。如果沒有腫瘤，它也可以迅速告知醫(yī)生沒有檢測到感興趣的區(qū)域。以Mask R-CNN 為模型的檢測框架可以幫助醫(yī)生診斷感興趣區(qū)域是腫瘤還是非腫瘤的背景區(qū)域，幫助醫(yī)生實(shí)現(xiàn)快速篩查和定位肝臟腫瘤。