论文部分内容阅读
医学图像分割是利用医学图像进行计算机辅助诊断的关键。近年来深度学习在计算机视觉领域取得了令人瞩目的成果,卷积神经网络(Convolutional Neural Network,CNN)在图像分割问题上也获得了重大的突破。红核(Red Nucleus,RN)、黑质(Substantia Nigra,SN)和丘脑底核(Subthalamic Nucleus,STN)等核团中的铁沉积被认为与对帕金森氏综合征的发生发展有密切的关系,这些核团的准确分割是定量研究核团铁沉积的前提,具有重要意义。然而,由于核团体积小、与周围组织对比度差,精确分割十分困难。胰腺区域的自动分割,是对胰腺癌进行定量分析的前提。由于胰腺在体积、形态上个体差异性很大,同时,在影像上边界模糊,医生往往也需要根据解剖知识和经验来对边界进行判断,准确分割极为困难。基于此,本文尝试利用CNN对脑部定量磁化率图像(Quantitative Susceptibility Mapping,QSM)中的深部灰质核团的分割和腹部CT图像中的胰腺分割这两个医学影像分割难题进行研究。本文提出了基于多输入、多输出的2.5D Attention U-Net网络,对高分辨率QSM图像中的RN、SN和STN区域进行分割。并利用低分辨数据的迁移学习,解决高分辨率QSM图像数量少的难题。我们对迁移学习的条件进行了研究,结果证明,当所有模型参数都进行迭代微调时,迁移模型可在较短的时间内获得最佳的分割效果,并达到了与人工分割接近的效果。本文提出一种结合概率图的2.5D级联深度监督U-Net,即CSNet(Cascaded deep Supervision U-Net),用于分割胰腺。我们设计并训练了2D U-Net、2.5D UNet、2.5D深度监督U-Net和CSNet等多种不同的网络,在相同数据集上对胰腺进行分割。我们使用了DSC(Dice similarity coefficients)、精确率(Precision)、召回率(Recall)、VOE(Volumetric Overlap Error)和RVD(Relative Volume Difference)等五个评价指标对模型性能进行定量评估。结果表明,CSNet对胰腺的分割精度优于其余传统的U-Net分割模型。本文利用深度学习实现了对脑部QSM图像中的深部核团和腹部CT图像中的胰腺的精确分割。