基于自监督学习的卷积神经网络在CT 图像中的肝脏自动分割研究

刘祥强 李 强 何多魁* 王文瑞 黄建民

（ 兰州财经大学 信息工程学院，甘肃 兰州730020）

1 概述

肝癌目前是世界第四大致死癌症，在肝脏的临床诊断治疗中常常需要有经验的医生勾画出肝脏及肝脏肿瘤的轮廓等等信息，及其耗时耗力，因此此类工作亟需一种全自动的方法能帮助医生减少工作量。现有肝脏肿瘤分割方法中，都将肝脏分割作为肿瘤分割的前提工作，因此精准的肝脏分割可以有效的提高肝脏肿瘤的精确性。

由于肝脏在CT 图像中与邻近组织灰度值接近且形状相似，精准的分割肝脏成为了十分具有挑战性的任务[5]。传统的基于机器学习的方法例如阈值法、区域生长法[6]及其他一些方法，并没有完全摆脱人工参与，例如在区域生长法中的种子点选择对最终分割结果影响往往很大[3]。与自然图像相比，医学图像往往数据更难获取尤其是金标准的获取，解决医学影像任务的深度学习模型缺少类似于Imagenet 那样可供预训练的数据集，自监督学习这种利用数据本身的结构或者特性解决一些前置任务的学习办法可以让模型得到一个较好的预训练参数[9]。

2 相关介绍

2.1 基于深度学习的方法

2006 年深度学习理论被提出后以及计算机硬件条件的提升，由于其强大的特征学习能力，卷积神经网络迅速发展。2015年提出的U-net[7]网络结构将图像分割领域的精度推到的一个新的高度，Ben-Cohen[2]将卷积神经网络应用于肝脏与肝脏肿瘤的中，取得了不错的效果。……