目的:由于胰腺體積小、形態(tài)個體差異性大,影像上的準確分割較為困難。本文提出一種基于2.5D級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的CT圖像胰腺分割方法。方法:實驗中使用的數(shù)據(jù)為NIH胰腺分割公開數(shù)據(jù)集,共包含82例腹部CT圖像,隨機選取其中56、9、17例分別作為訓練集、驗證集和測試集;訓練過程中使用旋轉(zhuǎn)、拉伸、平移、裁剪等操作對數(shù)據(jù)進行擴增。實驗中提出一種用于胰腺分割的、結(jié)合概率圖的2.5D級聯(lián)深度監(jiān)督UNet,即CSNet（Cascading deep Supervision UNet）。該網(wǎng)絡(luò)由3個部分組成:第1部分基于UNet,輸入連續(xù)5層圖像,輸出中間3層對應的粗分割圖像,設(shè)置適當?shù)拈撝?使其變成二值的粗分割結(jié)果;第2部分將第1層、第3層的粗分割結(jié)果與中間層的原始圖像相結(jié)合,輸入另一個深度監(jiān)督UNet網(wǎng)絡(luò),得到中間層的精細分割;第3部分將第1部分網(wǎng)絡(luò)輸出的中間層的粗分割概率圖與第2部分網(wǎng)絡(luò)輸出的細分割概率圖通過1×1卷積進行概率融合得到最終的輸出結(jié)果。3個子網(wǎng)絡(luò)同時進行訓練,對應的能量函數(shù)聯(lián)合優(yōu)化,從而得到更精準的分割結(jié)果。最后,使用DSC對分割結(jié)果進行評估。結(jié)果:在獨立測試集上,CSNet實現(xiàn)了... 

【文章來源】：中國醫(yī)學物理學雜志. 2020,37(06)CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

CSNet流程圖

2.5D深度監(jiān)督UNet網(wǎng)絡(luò)SNet的結(jié)構(gòu)

從實驗結(jié)果中的表1可以看出，本文提出的CSNet在5個評價指標上都取得了較好的結(jié)果。2.5D UNet網(wǎng)絡(luò)模型的分割結(jié)果優(yōu)于2D UNet，這是因為2.5D的輸入更有效地利用了胰腺三維結(jié)構(gòu)信息；深度監(jiān)督2.5D UNet網(wǎng)絡(luò)模型SNet是在特征組合時，在最后一次反卷積之前加一個深度監(jiān)督層，通過下采樣層的監(jiān)督，使網(wǎng)絡(luò)能夠保留更多的結(jié)構(gòu)信息；同時，在深度監(jiān)督層上使用與主網(wǎng)絡(luò)不同大小的卷積核（圖2），這樣能夠得到不同視野的組合特征，從而利用更多的細節(jié)信息[19-20]，最終獲得比2.5D UNet更好的分割結(jié)果。CSNet及其兩個子網(wǎng)絡(luò)SNet1和SNet2的分割結(jié)果均優(yōu)于其余傳統(tǒng)的UNet分割模型，即使相比于單獨的深度監(jiān)督2.5D UNet網(wǎng)絡(luò)模型SNet，也明顯有很大提升。在訓練過程中，同時訓練兩個子網(wǎng)絡(luò)和概率融合網(wǎng)絡(luò)，對3個部分的能量函數(shù)進行聯(lián)合優(yōu)化，與只訓練最后的概率融合結(jié)果相比，這樣的訓練方式使3個部分在各自優(yōu)化的同時可以相互促進，而又不會因為只注重全局優(yōu)化而失去能夠進一步整個網(wǎng)絡(luò)的分割結(jié)果的細節(jié)信息。從表1中最后3行可以看出，CSNet的分割結(jié)果在多數(shù)評價標準上，優(yōu)于兩個子網(wǎng)絡(luò)的分割結(jié)果。這是因為SNet1與SNet2輸出的概率圖所包含的信息并不完全相同，當進行概率融合時，通過對卷積核權(quán)重的優(yōu)化就可以保留兩者中有利于分割的信息。最終使得CSNet的分割結(jié)果優(yōu)于粗分割網(wǎng)絡(luò)SNet1和細分割網(wǎng)絡(luò)SNet2。


本文編號：3385306