基于深度学习的肝脏肿瘤图像分割

黄佳佳+赵曙光+张笑青+杨峰+许方成

摘要：传统肝脏CT 图像肿瘤分割算法常需引进先验信息，分割效率低，无法满足临床实时性要求。针对这些问题，提出基于卷积-反卷积神经网络的肝脏肿瘤图像分割算法，自动提取肝脏肿瘤的特征。实验表明，DSC指标约85.32%，且分割每幅图像只需用时3至5秒，实时性好。

关键词：肝脏CT图像；肿瘤分割；反卷积网络；自动提取特征

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2017）11-0081-02

近年来，有许多算法实现肝脏及其肿瘤图像的分割，但这些算法存在的共性是在处理的过程中或多或少的需要人工干预。如Seung-Jin Park等[1]提出基于最优阈值的肝脏肿瘤图像分割，该方法的缺点是必须先将肝脏分割出来，然后才能对肿瘤进行分割。本文提出一种基于卷积-反卷积神经网络的肝脏肿瘤图像分割方法，能够自动分割肝脏肿瘤图像。

1 卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNN）[2]是深度学习算法中的一种，CNN由多个层次组成的可训练的架构，每一层的输入和输出包含多个特征映射层，主要由若干个卷积层、池化层、激活函数层以及全连接层组成。

2 肝脏肿瘤图像分割方法

2.1 图像的预处理

如图1所示，（a）是原始的肝脏CT图像，在直方图均衡化之后的（b）中，肝脏肿瘤和其它组织的灰度值有明显的差异，这将有助于提取有效特征。由于图像采集时受到设备噪声的影响，CT图像中含有噪声。本文采用中值滤波器对其进行滤波，结果如（c）所示，滤波效果较好。

2.2 卷积-反卷积神经网络

如前文所述，由于卷积网络在池化过程中缩小了图片的尺寸，而对于图像分割的任务，最终需要得到与原图尺寸相同的结果，为了解决此问题，文献[3]引入反卷积网络，其主要由反卷积层和反池化层组成。

本文在卷积网络的基础上加上对称的反卷积网络，构成卷积-反卷积网络。在网络中，本文增加Batch normalization层[4]，使模型尽可能地收敛到全局最优解。

3 实验与结果分析

3.1 實验数据集

本次实验采用MICCAI 2017数据集。本实验中从数据集中筛选出含有肿瘤的样本，得到训练图像4983张，测试图像2141张，尺寸为像素。

3.2 实验流程与评价指标

实验流程是先对图像进行预处理，再将预处理过后的图像作为训练集提供给卷积-反卷积网络进行训练。利用训练得到参数模型对测试图像进行分割之后，利用MATLAB对分割图进行后续处理能得到分割最终结果（如图2）。本实验的评价指标分别采用：a）Dice相似系数；b）准确率；c）召回率等医学图像分割的常用指标。Seg表示为算法分割结果，Ref为金标准，TP表示真阳性，FP表示假阳性。FN表示假阴性。

3.3 实验结果及分析

部分实验结果如图2所示。图中的蓝色的实线是标准分割的结果，红色的线条是本文的分割结果。从图中可看出，本文的肝脏肿瘤预测接近真实值，分割的准确度较高。

本文的方法与Adaboost[5]、Random Forests[6]等传统分割方法进行比较，在DSC（%）指标中Adaboost、Random Forests及本文的算法分别是77.22%、78.94%、85.32%。Precision（%）指标中三种算法的指标分别是77.34%、80.99%、86.53%。Recall（%）指标中三种算法的指标分别是82.91%、83.43%、85.37%。本文分割方法的效果好于其它方法。分割一幅图像只需2至3秒，速度明显快于其它算法。

4 结语

本文结合肝脏CT图像的特点，提出了一种基于全卷积-反卷积的肝脏肿瘤图像分割方法。该方法无需手工设计特征，自动提取的深层特征能很好地描述图像变化。经过实验证明，该方法对肝脏肿瘤图像分割具有较好的准确性和实时性。

参考文献

[1]Park Seung-Jin，Seo Kyung-Sik，Park Jong-An.Automatic hepatic tumor segmentation using statistical optimal threshold[J].Lecture Notes in Computer Science，2005，3514：275-283.

[2]Y.Le Cun，L.Bottou，Y.Bengio，P.Haffner.Gradient-based Learning Applied to Document Recognition. Proceedings of the IEEE， 86（11）：2278-2324，1998.

[3]NohH，HongS，HanB.Learning deconvolution network for semantic segmentation[C]//The IEEE International Conference on Computer Vision .NewYork：IEEE，2015：1520-1528.

[4]S.Ioffe and C.Szegedy.Batch normalization：Accelerating deep network training by reducing internal covariate shift.arXiv preprint arXiv：1502.03167，2015.5.

[5]Y.Freund，R.E.Schapire. A Decision-theoretic Generalization of On-line Learning and An Application to Boosting.Journal of Computer and System Sciences，55，1997.

[6]L.Breiman.Random forests.Mach.Learning，45（1）：5-32，2001.

Abstract：The traditional liver CT image segmentation algorithm often needs to introduce prior information， and the segmentation efficiency is low， which can not meet the real-time clinical requirements. To solve these problems， an algorithm of hepatic tumor segmentation based on convolution-deconvolution neural network is proposed to automatically extract features of liver tumors. Experiments show that the DSC index is about 85.32%， and the segmentation of each image takes only 3 to 5 seconds， good real-time.

Key Words：liver CT image； tumor segmentation； deconvolution network； automatic extraction of featuresendprint