基于边缘关注模型的语义分割方法

佘玉龙，张晓龙*，程若勤，邓春华

（1.武汉科技大学计算机科学与技术学院，武汉 430065；2.武汉科技大学大数据科学与工程研究院，武汉 430065；3.智能信息处理与实时工业系统湖北省重点实验室（武汉科技大学），武汉 430065；4.武汉科技大学附属天佑医院，武汉 430064）

（*通信作者电子邮箱xiaolong.zhang@wust.edu.cn）

0 引言

肝癌是世界上最常见的癌症疾病之一，每年导致大量死亡［1-2］。在核磁共振成像（Magnetic Resonance Imaging，MRI）或电子计算机断层扫描（Computed Tomography，CT）影像中可以准确地观测出一些结果，包括肝脏的形状、位置以及肝脏边缘细节，这些可以帮助医生准确地做出肝功能以及肝癌的评估和治疗计划［3］。在传统临床诊断中，这些由专家进行人工分辨，但是，分辨结果会受到主观经验、认知能力、疲劳等因素的影响，因此，计算机医学图像识别在临床实践中有助于提高识别的准确率和稳定性。

最近几年，深度学习在处理多种计算机视觉任务上取得了巨大的进展，其中大放光彩的是处理图像分类和目标检测问题的卷积神经网络（Convolution Neural Network，CNN）［4］。越来越多的研究者用CNN 以及其衍生出来的各种深度神经网络来处理各种图像问题［5］，其中就包括了图像语义分割（Semantic Segmentation）。

图像语义分割是一种从预定义的一组类中对图像中的每个像素进行分类的方法，而预定义的一组类就是具有特定语义类别属性的一片区域［6］。对于医学领域的语义分割，大部分网络都是在全卷积神经网络（Fully Convolutional Network，FCN）［7］的基础上根据医学影像的特点进行改进。例如：郭树旭等［8］采用了改进的全卷积神经网络对肝脏进行分割。……