基于新型深度全卷积网络的肝脏CT影像三维区域自动分割

孙明建 徐 军* 马 伟 张玉东

1(南京信息工程大学江苏省大数据分析技术重点实验室，南京 210044) 2(江苏省人民医院放射科， 南京 210029)

引言

肝脏分割对于肝肿瘤肝段切除及肝移植体积测量具有重要的临床价值。因此，为了辅助医生对肝脏疾病进行诊断和治疗，需要对肝脏区域进行精准的分割。但肝脏的手动三维分割非常耗时，而且工作量大，因此亟需一种自动分割肝脏的方法。然而，肝脏分割面临着很多挑战：一是在CT(computed tomography)图像中，肝脏的灰度值与周围脏器的灰度值非常相近(如胃、胰腺、肾脏和肌肉)；二是病人的个体差异，导致肝脏大小和形状都不同；三是扫描仪器的参数设置不同，导致CT图像之间的灰度值有所差别，肝脏的位置也有所不同。

研究人员为了解决这个问题，提出了很多肝脏分割的方法，大致分为传统的分割方法和基于深度学习的分割方法。传统方法包括利用形状先验、灰度分布以及边界和区域信息来描述肝脏特征并划定其边界的统计变形模型[1-4]，基于形状约束的可变形图割方法和水平集方法[5-7]，基于灰度等级和纹理的方法[8]；深度学习的方法主要包括利用级联的Unet结构分割肝脏以及肝脏结节的方法[9]，使用三维深度监督网络分割肝脏的方法[10]。传统方法主要使用手工提取的特征，这种提取方式获得的特征数量较少，容易将相似于肝脏灰度值的脏器错认为是肝脏；而深度学习方法能充分运用大量的训练样本，使肝脏的分割结果优于传统方法的分割结果。……