论文部分内容阅读
众所周知,恶性肿瘤是一种全球性的难以治疗的疾病,目前已经成为危害人类生病的主要疾病之一。对肿瘤进行早期的准确诊断、定位、定性、分类、分割是后续治疗的关键。随着医学成像技术的不断发展,肝脏增强计算断层成像(Computed Tomography,CT),颅内磁共振(Magnetic Resonance Imaging,MRI)等医学成像已经成为疾病筛查、早期诊断、治疗方案确定和预后评估中至关重要的一个部分。计算机辅助医疗很大程度上可以缓解人口老龄化的不断加剧带来的医疗资源严重不足的压力,通过大量的医学数据深度学习之后,辅助医生读取CT影像,早期的癌症筛查,这将在很大程度上缓解医疗人员不足的压力和误诊、误判的压力。医学图像分割是大多从事研究人员关注的图像处理研究的热点问题,随着深度学习在各种分类问题,目标检测问题,分割问题上取得巨大的进展,深度学习方法,特别是卷积神经网络,已经迅速成为分析医学图像的首选方法。医学影像分割是从二维或三维医学影像中检测出目标对象的边界,获取正常组织器官及肿瘤病变区域。本文具体的创新点和贡献总结如下:1.对医学图像分割的发展过程和其经典方法进行阐述分析和研究。详细介绍了基于MRI图像的脑部肿瘤分割和基于对比增强CT图像的肝脏占位性病变分割的传统分割方法和深度学习中的卷积神经网络,分析了每种方法的优缺点,并实验证明算法的可行性与有效性。2.提出一种多模态加权的U-Net(MW-UNet),通过在U-Net中引入Resnet Unit单元,提高网络的学习能力与训练速度,在损失函数中加入Dice系数的损失函数,改善医学图像中类别不平衡问题,通过多模态加权的方式来结合MRI图像中的Flair,T1,T1c,T2四种模态的信息进行脑肿瘤区域分割。在MICCAI Bra Ts 2015数据集上证明本文提出的算法可以有效地结合多模态信息完成自动分割,提高肿瘤图像分割结果的精度。3.为了解决肝脏占位性病灶分割困难的问题,创建了一个MCGHD的肝脏占位性病灶数据集,并基于此数据集,提出一种基于三维卷积的MWUNet的的肝脏占位性病灶分割方法,不但可以结合平扫期,动脉期,门脉期的图像,而且可以充分利用三维图像中的空间信息,通过预处理后,对肝脏占位性病变区域进行精准分割。通过在MCGHD训练和测试,与其他论文的方法对比,证明了我们模型网络结构的有效性。