[发明专利]一种基于卷积神经网络的腹部CT图像肝肿瘤病变分割方法

说明书

本发明公开了一种基于卷积神经网络的腹部CT图像肝肿瘤病变分割方法。包括：一种基于卷积运算3*3*3的3D降采样模块；一种放大倍数为2的上采样模块；以及基于上述两种模块构成的特征通道数分别为16，32，48，64，96的3D‑UNet模型；将处理好的数据送入网络进行训练；并在像素级标签的测试集上验证分割效果。本发明提出了对于腹部CT图像中肝肿瘤病变区域分割的自动化标注方法，这将大大减小标注数据的成本，在一定程度上辅助医生医生对肝肿瘤的临床诊断。

【技术领域】本发明涉及一种针对患者腹部CT中肝部肿瘤病变的基于卷积神经网络的病变分割方法。

【背景技术】肝脏是人体新陈代谢，维持生命的重要器官，同时肝脏也是人体腹部中重量最大的实质性器官。近年来，由于不良饮食习惯及不规律作息等因素，越来越多的人患有肝脏疾病。同时，肝脏是原发性或继发性肿瘤的高风险器官，肝肿瘤恶性度高，死亡率高。WHO的发布的数据显示，2018年有78万人死于肝癌，我国部分地区也属于世界上肝癌高发地区之一；国家癌症中心发布的最新全国癌症报告显示，2015年全国肝癌新发病例约为37万，发病率为26.92/十万，位居2015年恶性肿瘤发病率第四位，2015年全国肝癌死亡率为23.69/十万，位居恶性肿瘤死亡第二位。从上述数据及统计可以看出，肝癌正严重威胁人类的生命健康。

深度学习算法是指根据先验知识从有限的观测数据中学习一般性规律，并将这些规律应用到待观测的样本上并给出预测结果的算法，其具有强大的数据分析及学习能力。近年来，随着算力和数据的增长，深度学习在过去7年中得到了巨大发展。同时，因为该领域生成海量的数据，使得医疗行业从深度学习中受益良多，其中自然语言处理主要涉及电子健康档案数据，强化学习方面主要讨论机器人辅助手术，通过深度学习方法进行基因组学相关研究，以及计算机视觉方面集中关注了医疗图像处理，尤其是在本次新型冠状病毒疫情当中，阿里达摩研究院将计算机视觉技术应用于新冠肺炎CT影像辅助诊断当中，在不到20秒的诊断时间内识别准确率高达96％，一定程度上减少了影像科医生的工作量，而本项目正是希望将计算机视觉领域的研究应用到肝肿瘤CT诊断中。

卷积神经网络在图像处理方面具有显著效果，因而被广泛的应用于医疗成像中，Litjens G.等在其调查的2012-2017年医疗影像处理相关领域的文章中，大多数性能优异的网络几乎都采用了卷积神经网络。在图像分类问题上，大多人科研人员采用两种策略，第一，用已经训练好的网络进行特征提取，第二，在医学数据上对基于自然图像训练的模型进行微调：Antony等同时运用两种方法对膝关节炎症图像进行分类，在前一种方法中取得了57.6％的准确率，在后一种方法中取得了53.4％的准确率。Brosch等用DBN和SAE对阿尔兹海默症患者的MRI影像进行了分类，取得了较好的成果。总而言之，在医学图像的分类问题中，CNN依然是最被广泛使用的网络，其在某些医学图像分类问题上堪比“人类专家”。在目标及病灶分类问题中，对兴趣目标或病灶区域进行检测是临床诊断中最重要也是医生劳动最密集的部分，由于给影像进行标注的时间成本过高，Yan Xu等创新性的使用了MIL框架与监督/非监督特征学习方法进行训练，以应对标注成本过高这一问题，但在目标检测问题中，给数据进行标注的负担同样是一个非常需要考虑的问题，Hwang and Kim等采用了弱监督训练来检测胸部X光片中的结节和乳腺病变。器官与子结构分割方面，2015年Ronneberger等提出了医学图像分割问题中最著名的U-net，这一结构在2015年的EMsegmentation challenge中获得了最优表现(warping error＝0.000353)，iek等的工作表明一个完整的三维分割可以通过从相同的体积中给u-net一些2d注释切片来实现，Milletari等提出基于U-net结构的三维卷积网络V-net，Drozdzal等研究了在常规U-net中使用。