基于改进U-Net的肝脏CT影像分割方法研究

这是一篇关于深度学习,U-Net,CT图像,肝脏肿瘤分割,注意力机制的论文, 主要内容为肝癌是全球最普遍的癌症之一,严重危害着人们的生命和健康,早期的筛查和治疗可以有效降低癌症的发病率和病死率。当前,检查肝脏肿瘤最常用的方式是计算机断层扫描(Computed Tomography,CT)。对于治疗肿瘤,最主要的手段有肿瘤切除、介入治疗和放射治疗。术前详尽地获知肿瘤的数目和尺寸等信息,对于手术方案的科学制定意义重大。因此,在进行肝脏肿瘤治疗之前确保其精准分割至关重要。目前肝脏肿瘤的分割存在多个难点:肝脏邻近区域分布着许多器官和血管;肝脏肿瘤的位置、大小和形状非常复杂,边界也不清晰且灰度不均匀。在医疗诊断中,人工分割需要投入大量时间和精力,且结果也许不一致。半自动分割方法需要人工干预,其效果会受个人经验和主观性的影响。当前,在医学图像分割领域已广泛使用深度学习技术,本文基于U-Net网络框架进行研究。针对传统U-Net网络信息提取不充分、分割精度低等问题,提出了基于改进U-Net的肝脏分割方法。首先,在U-Net编码阶段使用混合空洞卷积替换原有卷积块,扩大感受野、提取更多的上下文信息;在解码阶段采用密集上采样卷积,捕获和解码更详细的信息;引入残差模块,加速模型的训练并防止网络退化。其次,在每个跳跃连接之间加入注意力机制(CBAM),使模型重点关注感兴趣区域的特征信息,并结合Focal Tversky损失函数以改善类不平衡问题。通过Li TS2017数据集的实验表明,相较于传统U-Net,所提方法在肝脏分割中Dice指标提升了3.56%,召回率提升了3.71%,精确率提升了2.76%。针对CT图像中小尺寸肝脏肿瘤区域的特征学习,提出了基于改进UNet3+的肝脏肿瘤分割方法:在UNet3+的编码阶段引入感受野模块,增强特征提取能力;在解码阶段使用数据相关型上采样(DUpsampling)代替原始上采样方式,恢复更精细的图像特征信息;在跳跃连接之间加入规范化注意力机制(NAM),使模型重点关注目标区域的特征,抑制冗余特征;最后使用交叉熵和Dice结合的混合损失函数,改善类别不均衡问题,提升网络的收敛性能。通过Li TS2017数据集的实验表明,相较于原始UNet3+,所提方法在肝脏肿瘤分割中Dice指标提升了4.05%,召回率提升了2.83%,精确率提升了3.92%。

基于深度学习的肝脏和肿瘤图像分割方法研究

这是一篇关于肝脏肿瘤分割,深度学习,多尺度,注意力机制的论文, 主要内容为肝脏肿瘤的发病率很高,肝脏恶性肿瘤是最致命的癌症之一。为了对肝脏肿瘤进行有效,及时的治疗,对肝脏和肿瘤的精确分割是现今医疗影像分析中的热点课题。如果能实现医疗影像的自动化处理,得到准确的肿瘤位置,将会有助于肝脏肿瘤的治疗。随着近几十年来计算机算力的爆炸式提升,深度学习已经为计算机视觉,自然语言处理等方面贡献了很多算法。在医学图像方面,U-Net网络由于需要的数据集少,处理高复杂度图像效果好的特性,在医学影像的处理这一领域受到了广泛的应用。但是肝肿瘤出现的位置,形状,大小和数量难以预测,U-Net网络在肝脏肿瘤分割这一任务中表现不佳。有学者提出了Modified U-Net网络,在U-Net网络的跳跃连接过程中加入了阻塞反卷积,实现了对大物体和小物体自适应过滤的功能,取得了良好的效果。但是该网络在分割不同大小的肿瘤时,并不能完全准确地分割肿瘤的边界,还有改进的空间。本文在该网络的基础上对肝脏和肿瘤的语义分割算法提出了一系列的改进,所提出算法的评价指标有明显的提升。对数据的处理直接影响语义分割算法的分割结果。本文首先提取了CT图像中肝脏和肿瘤的特征,并对训练数据使用随机的仿射变换和弹性变换,大幅增加了数据数量。然后本文在Modified U-Net网络的基础上进行改进,提出了CE-m UNet网络。在网络中添加了DAC模块和RMP模块,提取多尺度信息,增强了网络对于不同大小的肿瘤的特征提取能力。通过消融实验验证,本文所提出的CE-m UNet网络取得了比原网络更好的分割效果。为了进一步提高对肝脏和肿瘤的分割效果,本文对提出的算法进行了优化。在网络结构方面,基于注意力机制,本文提出了ACE-m UNet网络。在CEm UNet网络中引入了注意力机制,让网络更加注重肝脏和肿瘤的边界,在加快模型收敛的同时提高了肝脏肿瘤的分割能力。另一方面本文还对训练使用的损失函数进行了优化,由于交叉熵损失函数对肿瘤分割效果不理想,Tversky损失函数,本文提出了一种综合了两种损失函数的优点的混合损失函数。通过消融实验对比验证了提出的优化方法可以取得优秀的分割结果。

基于深度学习的肝脏肿瘤CT图像分割算法研究

这是一篇关于CT图像,深度学习,医学图像处理,肝脏肿瘤分割,注意力机制的论文, 主要内容为肝脏是人体组织结构中极其重要的器官,主要负责消化、代谢等功能。肝脏肿瘤是指肝脏器官上的异常肿瘤病变,对人体危害极大。利用电子计算机断层扫描(Computed Tomography,CT)技术,可以准确地识别出肝脏及其相关的疾病,为临床提供了一种高效的检测手段,从而为患者提供了更加准确的医学信息,从而发挥出它的最大的临床价值。但是由于肝脏以及肝脏肿瘤成像复杂,具有位置多变、样本个体差异性大、边界模糊以及对比度低等特性,因此临床实践中对CT图像中肝脏和肝脏肿瘤进行精确分割非常具有挑战性。本论文基于深度学习提出肝脏和肝脏肿瘤CT图像分割方法来解决上述难点。本论文的主要工作如下:第一,提出了一种基于CNN和Transformer融合的肝脏分割模型Res Trans Unet。该模型基于U-Net的编码解码结构,在编码结构使用双路径同时提取有效特征,通过特殊设计的特征增强单元在双路径的每一层不断地用Transformer提取到的全局特征去反馈增强CNN提取的特征。通过消融实验和对比实验进行验证分析,实验结果表明提出的模型能够准确地分割肝脏,同时相较于其他模型可以较好地解决了边界欠分割等问题。第二,提出了一种基于多尺度特征融合与注意力机制相结合的肝脏肿瘤分割模型RMAU-Net。该模型在U-Net的基础上进行改进创新,设计了基于残差和通道注意力机制的Res-SE-Block模块和基于多尺度特征与空间通道注意力机制相结合的MAB模块。经过实验结果证明,RMAU-Net模型在与其他先进模型对比有一定的精度提升,并且能在一定程度上解决小肿瘤分割困难的问题。第三,设计并开发基于Py Qt5的肝脏和肝脏肿瘤自动分割系统。本系统主要开发语言为Python编程语言,基于Py Qt5框架进行开发搭建。本系统实现的功能有CT图像加载显示、图像处理显示、肝脏分割及肝脏肿瘤分割等功能,同时具有良好的运行状态和稳定性,操作简单效率高,能够在临床实践中辅助医生进行诊断和治疗。

基于深度学习的肝脏肿瘤CT图像分割算法研究

这是一篇关于CT图像,深度学习,医学图像处理,肝脏肿瘤分割,注意力机制的论文, 主要内容为肝脏是人体组织结构中极其重要的器官,主要负责消化、代谢等功能。肝脏肿瘤是指肝脏器官上的异常肿瘤病变,对人体危害极大。利用电子计算机断层扫描(Computed Tomography,CT)技术,可以准确地识别出肝脏及其相关的疾病,为临床提供了一种高效的检测手段,从而为患者提供了更加准确的医学信息,从而发挥出它的最大的临床价值。但是由于肝脏以及肝脏肿瘤成像复杂,具有位置多变、样本个体差异性大、边界模糊以及对比度低等特性,因此临床实践中对CT图像中肝脏和肝脏肿瘤进行精确分割非常具有挑战性。本论文基于深度学习提出肝脏和肝脏肿瘤CT图像分割方法来解决上述难点。本论文的主要工作如下:第一,提出了一种基于CNN和Transformer融合的肝脏分割模型Res Trans Unet。该模型基于U-Net的编码解码结构,在编码结构使用双路径同时提取有效特征,通过特殊设计的特征增强单元在双路径的每一层不断地用Transformer提取到的全局特征去反馈增强CNN提取的特征。通过消融实验和对比实验进行验证分析,实验结果表明提出的模型能够准确地分割肝脏,同时相较于其他模型可以较好地解决了边界欠分割等问题。第二,提出了一种基于多尺度特征融合与注意力机制相结合的肝脏肿瘤分割模型RMAU-Net。该模型在U-Net的基础上进行改进创新,设计了基于残差和通道注意力机制的Res-SE-Block模块和基于多尺度特征与空间通道注意力机制相结合的MAB模块。经过实验结果证明,RMAU-Net模型在与其他先进模型对比有一定的精度提升,并且能在一定程度上解决小肿瘤分割困难的问题。第三,设计并开发基于Py Qt5的肝脏和肝脏肿瘤自动分割系统。本系统主要开发语言为Python编程语言,基于Py Qt5框架进行开发搭建。本系统实现的功能有CT图像加载显示、图像处理显示、肝脏分割及肝脏肿瘤分割等功能,同时具有良好的运行状态和稳定性,操作简单效率高,能够在临床实践中辅助医生进行诊断和治疗。

基于Transformer的肝脏肿瘤分割算法研究

这是一篇关于肝脏肿瘤分割,UNet,Transformer机制,上下文Bridge,上下文先验层的论文, 主要内容为肝癌是世界范围内最常见的恶性肿瘤之一,严重威胁着人类的生命健康,从计算机断层扫描(Computed Tomography,CT)中精确分割出肝脏肿瘤对后期的临床诊断具有重要的意义。随着深度学习的迅猛发展,医学图像分割取得了很大的进展。肝脏CT图像中的肿瘤位置随机、形态多样、大小不一,且肝脏与周围正常组织器官、肿瘤与肝脏正常组织之间的对比度较低,造成肿瘤边界模糊,受这些因素的制约,现有的很多分割方法存在分割不足、分割过度和小尺度肿瘤漏检等问题,肝脏肿瘤的精确分割仍旧是一项极具挑战的任务。本文针对上述问题开展以下研究:(1)针对肝脏肿瘤分割任务中的边界模糊、小尺度肿瘤漏检问题,基于Transformer机制提出一种肝脏肿瘤分割网络—BBTUNet(Boundary Bridge Transformer UNet)。首先,基于Transformer机制重新设计了UNet的跳跃连接结构,有效弥补了UNet网络结构长依赖性上下文特征提取的不足。其次,引入可分离的空洞卷积提出BFFN(Bridge Feedforward Neural Network)模块,融合多尺度感受野的特征,细化肝脏肿瘤的边界。最后,在3DIRCADB数据集上进行实验测试,结果表明Dice、IOU、Acc、Sen和Spe五种评价指标分别达到82.1%、74.8%、96.4%、78.7%和96.1%,与原始UNet网络相比分别提升了10.9%、6.8%、4.6%、8.4%和5%,有效提升了肝脏肿瘤的分割性能,解决了过度分割和分割不足问题。(2)针对肝脏肿瘤位置随机、多尺度问题,在基于Transformer上下文Bridge的网络上进一步深入研究,提出一种融合上下文先验和交叉注意力的肝脏肿瘤分割网络—CPTCA-Net(Context-prior Transformer Cross-attention-Net)。首先,在编码器阶段添加上下文先验层,将编码器的多尺度特征有效聚合,通过亲和力损失监督获取丰富的类内和类间上下文,得到上下文先验图,将其嵌入到跳跃连接结构中,引导感兴趣区域特征的有效传递;其次,利用高效的Transformer机制构建交叉注意力,重新构建跳跃连接结构,交叉关注编码器与解码器的深层和浅层特征,获得多层级语义特征,缩小编码器与解码器的语义差别,提升网络的分割性能。最后在3DIRCADB数据集上进行肝脏肿瘤分割实验,实验结果表明,提出的CPTCA-Net网络在Dice、IOU、Acc、Sen、Spe五种评价指标分别达到83.2%、75.3%、97.1%、79%和96.7%,与原始UNet网络相比分别提升了12%、7.3%、5.3%、8.7%和5.6%,有效提高了肝脏肿瘤的分割精度。

基于Transformer的肝脏肿瘤分割算法研究

这是一篇关于肝脏肿瘤分割,UNet,Transformer机制,上下文Bridge,上下文先验层的论文, 主要内容为肝癌是世界范围内最常见的恶性肿瘤之一,严重威胁着人类的生命健康,从计算机断层扫描(Computed Tomography,CT)中精确分割出肝脏肿瘤对后期的临床诊断具有重要的意义。随着深度学习的迅猛发展,医学图像分割取得了很大的进展。肝脏CT图像中的肿瘤位置随机、形态多样、大小不一,且肝脏与周围正常组织器官、肿瘤与肝脏正常组织之间的对比度较低,造成肿瘤边界模糊,受这些因素的制约,现有的很多分割方法存在分割不足、分割过度和小尺度肿瘤漏检等问题,肝脏肿瘤的精确分割仍旧是一项极具挑战的任务。本文针对上述问题开展以下研究:(1)针对肝脏肿瘤分割任务中的边界模糊、小尺度肿瘤漏检问题,基于Transformer机制提出一种肝脏肿瘤分割网络—BBTUNet(Boundary Bridge Transformer UNet)。首先,基于Transformer机制重新设计了UNet的跳跃连接结构,有效弥补了UNet网络结构长依赖性上下文特征提取的不足。其次,引入可分离的空洞卷积提出BFFN(Bridge Feedforward Neural Network)模块,融合多尺度感受野的特征,细化肝脏肿瘤的边界。最后,在3DIRCADB数据集上进行实验测试,结果表明Dice、IOU、Acc、Sen和Spe五种评价指标分别达到82.1%、74.8%、96.4%、78.7%和96.1%,与原始UNet网络相比分别提升了10.9%、6.8%、4.6%、8.4%和5%,有效提升了肝脏肿瘤的分割性能,解决了过度分割和分割不足问题。(2)针对肝脏肿瘤位置随机、多尺度问题,在基于Transformer上下文Bridge的网络上进一步深入研究,提出一种融合上下文先验和交叉注意力的肝脏肿瘤分割网络—CPTCA-Net(Context-prior Transformer Cross-attention-Net)。首先,在编码器阶段添加上下文先验层,将编码器的多尺度特征有效聚合,通过亲和力损失监督获取丰富的类内和类间上下文,得到上下文先验图,将其嵌入到跳跃连接结构中,引导感兴趣区域特征的有效传递;其次,利用高效的Transformer机制构建交叉注意力,重新构建跳跃连接结构,交叉关注编码器与解码器的深层和浅层特征,获得多层级语义特征,缩小编码器与解码器的语义差别,提升网络的分割性能。最后在3DIRCADB数据集上进行肝脏肿瘤分割实验,实验结果表明,提出的CPTCA-Net网络在Dice、IOU、Acc、Sen、Spe五种评价指标分别达到83.2%、75.3%、97.1%、79%和96.7%,与原始UNet网络相比分别提升了12%、7.3%、5.3%、8.7%和5.6%,有效提高了肝脏肿瘤的分割精度。

基于深度学习的肝脏肿瘤CT图像分割算法研究

这是一篇关于CT图像,深度学习,医学图像处理,肝脏肿瘤分割,注意力机制的论文, 主要内容为肝脏是人体组织结构中极其重要的器官,主要负责消化、代谢等功能。肝脏肿瘤是指肝脏器官上的异常肿瘤病变,对人体危害极大。利用电子计算机断层扫描(Computed Tomography,CT)技术,可以准确地识别出肝脏及其相关的疾病,为临床提供了一种高效的检测手段,从而为患者提供了更加准确的医学信息,从而发挥出它的最大的临床价值。但是由于肝脏以及肝脏肿瘤成像复杂,具有位置多变、样本个体差异性大、边界模糊以及对比度低等特性,因此临床实践中对CT图像中肝脏和肝脏肿瘤进行精确分割非常具有挑战性。本论文基于深度学习提出肝脏和肝脏肿瘤CT图像分割方法来解决上述难点。本论文的主要工作如下:第一,提出了一种基于CNN和Transformer融合的肝脏分割模型Res Trans Unet。该模型基于U-Net的编码解码结构,在编码结构使用双路径同时提取有效特征,通过特殊设计的特征增强单元在双路径的每一层不断地用Transformer提取到的全局特征去反馈增强CNN提取的特征。通过消融实验和对比实验进行验证分析,实验结果表明提出的模型能够准确地分割肝脏,同时相较于其他模型可以较好地解决了边界欠分割等问题。第二,提出了一种基于多尺度特征融合与注意力机制相结合的肝脏肿瘤分割模型RMAU-Net。该模型在U-Net的基础上进行改进创新,设计了基于残差和通道注意力机制的Res-SE-Block模块和基于多尺度特征与空间通道注意力机制相结合的MAB模块。经过实验结果证明,RMAU-Net模型在与其他先进模型对比有一定的精度提升,并且能在一定程度上解决小肿瘤分割困难的问题。第三,设计并开发基于Py Qt5的肝脏和肝脏肿瘤自动分割系统。本系统主要开发语言为Python编程语言,基于Py Qt5框架进行开发搭建。本系统实现的功能有CT图像加载显示、图像处理显示、肝脏分割及肝脏肿瘤分割等功能,同时具有良好的运行状态和稳定性,操作简单效率高,能够在临床实践中辅助医生进行诊断和治疗。

基于深度学习的肝脏肿瘤CT图像分割研究

这是一篇关于深度学习,肝脏肿瘤分割,3D U-Net,多尺度特征融合,注意力机制,深度监督的论文, 主要内容为发生在肝脏部位的肿瘤病变具有较高的致死率,及早从腹部CT图像中分割出肝脏和肝脏肿瘤是辅助医生对患者进行诊疗的关键。然而,人工分割耗时长,效率低;且CT图像具有对比度低、器官组织间灰度值较为相似和肝脏肿瘤形状大小多变等特点,使得快速准确分割出肝脏和肝脏肿瘤仍是一项挑战性的任务。随着深度学习技术在计算机视觉任务中表现优异,在医学图像分割领域得到广泛研究与应用。因此,本文使用深度学习技术来实现肝脏和肝脏肿瘤的高效自动分割,主要研究内容如下:(1)腹部CT图像中肝脏区域的分割。针对CT图像中肝脏与相邻器官组织的灰度值较为相似,使得一些微小的细节特征不易被关注等问题,提出一种基于多尺度语义特征和注意力机制的肝脏分割网络(Mutil-scale Semantic Feature Attention-Net,MSFA-Net)。首先,在网络中使用空洞残差卷积(Dilated Residual Convolution,DRC)来捕获多尺度特征;其次,通过MSFA模块将特征提取层相邻的低级特征和高级特征与注意力机制相结合,来获取多尺度特征和关注重要特征;最后,在网络解码器各层通过深度监督(Deep Supervise,DS)增强特征传输。实验表明,该网络可有效关注不同尺度的关键特征,获得较为精确的分割结果。(2)腹部CT图像中肝脏肿瘤区域的分割。针对肝脏肿瘤在CT图像中占比小,结构复杂,以及与正常组织对比度较低的问题,提出一种基于级联结构和特征融合的肝脏肿瘤分割网络(Feature Fusion W-Net,FFW-Net)。首先,该网络采用级联两个3D U-Net的结构来提高信息提取能力,并使用侧输出特征融合注意(Side-output Feature Fusion Attention,SFFA)模块将不同层次的特征融合,结合注意力机制关注重要信息;然后,使用空洞空间金字塔池化注意(ASPP Attention,ASPPA)模块提取多尺度语义特征;最后,通过改进的深度监督模块(DS)将这些特征充分融合以提高模型的分割性能。实验表明,与同类型的其他方法相比,该网络获得较好的分割结果。(3)肝脏肿瘤CT图像分割系统。系统基于前两个研究内容,使用Python编程语言、B/S架构、Vue前端技术和Flask后端技术来实现,便于医生用于肝脏和肝脏肿瘤的分割预测。系统为用户提供了从患者腹部CT图像中自动分割出肝脏和肝脏肿瘤的功能,并实现了分割结果的可视化。

基于改进注意力机制与级联模型的CT肝脏肿瘤分割方法

这是一篇关于深度学习,注意力机制,U-Net,肝脏肿瘤分割,辅助诊断的论文, 主要内容为我国每年因肝癌致死的患者占全球总数的一半以上,并且死亡人数仍在逐年增加。肝癌的主要表现是肝肿瘤,增强计算机断层扫描CT影像是检出肝肿瘤的重要手段,从腹部CT图像中分割出肝肿瘤对于后续临床诊疗具有重要意义。伴随患者人数的增长,大量的影像数据需要处理,但通过人工方法逐张分析存在主观干扰、标准不一、流程复杂、费时费力等问题。基于深度学习的自动分割方法可以有效辅助医生完成分割与诊断工作,降低由于主观失误造成的漏诊与误诊。自动分割算法的准确程度影响着整个辅助诊断系统的性能,因此本文面向腹部CT图像中肝脏及肝脏肿瘤的自动分割方法展开研究。本文讨论了传统图像处理方法、机器学习方法与深度学习方法在肝肿瘤分割领域的相关研究,总结了现有研究的现状。传统图像处理方法仅能处理灰度、纹理等简单图像特征,通常效果欠佳。传统机器学习方法大多需要精心设计人工特征,往往存在难以描述全局信息、算法复杂度较高等限制。深度学习方法由于其特征提取等方面的优势在肝脏肿瘤分割领域占据主流。本文主要基于深度学习中的卷积神经网络展开研究,使用Li TS公开数据集训练数据实验测试,并结合实际应用需要,通过分析肝脏及肝脏肿瘤分割各自的任务特点,提出了一种基于改进型注意力机制的级联分割模型。级联模型分为两个主要阶段,第一个阶段是肝脏器官的分割,第二个阶段是肝脏肿瘤分割,主要研究内容如下:(1)提出基于全局自注意力与多尺度特征融合的肝脏分割模型,针对边界模糊的问题采用多尺度特征融合的方法提取空间信息,并由肝脏与周围器官之间存在的联系出发使用自注意力机制捕获多尺度融合特征间的关联,结合改进的注意力卷积模块进一步提高了肝脏器官的分割精度。该模型的预测分割结果与真实分割的重叠区域平均Dice值可以达到96.4%,比经典模型U-Net高4.4%,通过2D模型的方法达到了与先进3D模型相似的水平。(2)提出基于UNet瓶颈特征选择与跳跃链接优化的肝肿瘤分割模型,针对肝脏肿瘤边界不清晰、肿瘤大小位置多变的特点,结合UNet结构特点,使用本文改进的注意力方法对UNet瓶颈特征进行处理,抑制了非主要特征的表达,增强主要特征的占比,增强了模型对于肝脏肿瘤区域的定位能力,并通过空间注意力机制与残差融合模块改善跳跃链接传递的空间位置信息,改善了分割边界的问题。该模型对肝脏器官和肝脏肿瘤区域都进行了分割实验,肝脏器官的预测分割平均Dice为96.2%,肝脏肿瘤预测分割平均Dice为68.4%、Global Dice为80.5%。并基于该模型与第一阶段的肝脏分割模型设计了级联分割模型,在可以额外得到肝脏分割结果的同时,进一步提高分割准确率,此时肝脏肿瘤的预测平均Dice达到70.1%、Global Dice达到81.3%,在2D模型中达到领先水平。本文最后基于级联分割模型设计并实现了一个肝脏及肝肿瘤自动分割与辅助分期原型系统,该系统提供CT图像的自动分割、肿瘤特征量化与辅助分期诊断的辅助诊断参考结果。

基于Transformer的肝脏肿瘤分割算法研究

这是一篇关于肝脏肿瘤分割,UNet,Transformer机制,上下文Bridge,上下文先验层的论文, 主要内容为肝癌是世界范围内最常见的恶性肿瘤之一,严重威胁着人类的生命健康,从计算机断层扫描(Computed Tomography,CT)中精确分割出肝脏肿瘤对后期的临床诊断具有重要的意义。随着深度学习的迅猛发展,医学图像分割取得了很大的进展。肝脏CT图像中的肿瘤位置随机、形态多样、大小不一,且肝脏与周围正常组织器官、肿瘤与肝脏正常组织之间的对比度较低,造成肿瘤边界模糊,受这些因素的制约,现有的很多分割方法存在分割不足、分割过度和小尺度肿瘤漏检等问题,肝脏肿瘤的精确分割仍旧是一项极具挑战的任务。本文针对上述问题开展以下研究:(1)针对肝脏肿瘤分割任务中的边界模糊、小尺度肿瘤漏检问题,基于Transformer机制提出一种肝脏肿瘤分割网络—BBTUNet(Boundary Bridge Transformer UNet)。首先,基于Transformer机制重新设计了UNet的跳跃连接结构,有效弥补了UNet网络结构长依赖性上下文特征提取的不足。其次,引入可分离的空洞卷积提出BFFN(Bridge Feedforward Neural Network)模块,融合多尺度感受野的特征,细化肝脏肿瘤的边界。最后,在3DIRCADB数据集上进行实验测试,结果表明Dice、IOU、Acc、Sen和Spe五种评价指标分别达到82.1%、74.8%、96.4%、78.7%和96.1%,与原始UNet网络相比分别提升了10.9%、6.8%、4.6%、8.4%和5%,有效提升了肝脏肿瘤的分割性能,解决了过度分割和分割不足问题。(2)针对肝脏肿瘤位置随机、多尺度问题,在基于Transformer上下文Bridge的网络上进一步深入研究,提出一种融合上下文先验和交叉注意力的肝脏肿瘤分割网络—CPTCA-Net(Context-prior Transformer Cross-attention-Net)。首先,在编码器阶段添加上下文先验层,将编码器的多尺度特征有效聚合,通过亲和力损失监督获取丰富的类内和类间上下文,得到上下文先验图,将其嵌入到跳跃连接结构中,引导感兴趣区域特征的有效传递;其次,利用高效的Transformer机制构建交叉注意力,重新构建跳跃连接结构,交叉关注编码器与解码器的深层和浅层特征,获得多层级语义特征,缩小编码器与解码器的语义差别,提升网络的分割性能。最后在3DIRCADB数据集上进行肝脏肿瘤分割实验,实验结果表明,提出的CPTCA-Net网络在Dice、IOU、Acc、Sen、Spe五种评价指标分别达到83.2%、75.3%、97.1%、79%和96.7%,与原始UNet网络相比分别提升了12%、7.3%、5.3%、8.7%和5.6%,有效提高了肝脏肿瘤的分割精度。

基于深度学习的肝脏肿瘤CT图像分割算法研究

这是一篇关于CT图像,深度学习,医学图像处理,肝脏肿瘤分割,注意力机制的论文, 主要内容为肝脏是人体组织结构中极其重要的器官,主要负责消化、代谢等功能。肝脏肿瘤是指肝脏器官上的异常肿瘤病变,对人体危害极大。利用电子计算机断层扫描(Computed Tomography,CT)技术,可以准确地识别出肝脏及其相关的疾病,为临床提供了一种高效的检测手段,从而为患者提供了更加准确的医学信息,从而发挥出它的最大的临床价值。但是由于肝脏以及肝脏肿瘤成像复杂,具有位置多变、样本个体差异性大、边界模糊以及对比度低等特性,因此临床实践中对CT图像中肝脏和肝脏肿瘤进行精确分割非常具有挑战性。本论文基于深度学习提出肝脏和肝脏肿瘤CT图像分割方法来解决上述难点。本论文的主要工作如下:第一,提出了一种基于CNN和Transformer融合的肝脏分割模型Res Trans Unet。该模型基于U-Net的编码解码结构,在编码结构使用双路径同时提取有效特征,通过特殊设计的特征增强单元在双路径的每一层不断地用Transformer提取到的全局特征去反馈增强CNN提取的特征。通过消融实验和对比实验进行验证分析,实验结果表明提出的模型能够准确地分割肝脏,同时相较于其他模型可以较好地解决了边界欠分割等问题。第二,提出了一种基于多尺度特征融合与注意力机制相结合的肝脏肿瘤分割模型RMAU-Net。该模型在U-Net的基础上进行改进创新,设计了基于残差和通道注意力机制的Res-SE-Block模块和基于多尺度特征与空间通道注意力机制相结合的MAB模块。经过实验结果证明,RMAU-Net模型在与其他先进模型对比有一定的精度提升,并且能在一定程度上解决小肿瘤分割困难的问题。第三,设计并开发基于Py Qt5的肝脏和肝脏肿瘤自动分割系统。本系统主要开发语言为Python编程语言,基于Py Qt5框架进行开发搭建。本系统实现的功能有CT图像加载显示、图像处理显示、肝脏分割及肝脏肿瘤分割等功能,同时具有良好的运行状态和稳定性,操作简单效率高,能够在临床实践中辅助医生进行诊断和治疗。

基于深度学习的肝脏肿瘤分割算法研究

这是一篇关于CT图像,肝脏肿瘤分割,U-Net,损失函数的论文, 主要内容为肝脏作为人体重要的代谢器官,是肿瘤好发部位之一。由于肝脏肿瘤多发为恶性肿瘤,因此对于肝脏肿瘤的早期筛查诊断和治疗尤为重要。通过对患者的CT图像进行肝脏肿瘤分割,可以为后续的治疗提供重要的依据。传统的肝脏肿瘤分割需要医生根据患者的CT图像进行人为标注,效率低且耗费人力。因此需要借助计算机辅助诊断的方式来提高诊断效率。但是由于肝脏肿瘤分布复杂、形状各异、大小和数量也不固定,肝脏肿瘤自动分割算法仍然是一个具有挑战性的课题。本文系统地阐述了现有的根据CT图像的肝脏肿瘤分割算法,并分析其优缺点,总结其不足与难点,提出了新的肝脏肿瘤分割算法,主要研究内容如下:(1)数据增强以及数据预处理。针对肝脏肿瘤分割样本集较少,对实验样本集利用空间几何变化进行数据集样本扩充。以及对实验数据集进行限制对比度自适应直方图均衡化处理来加强目标区域与其他器官的对比度,抑制背景中的无关噪声,实现对CT图像的预处理。(2)基于Attention-Res UNet的肝脏肿瘤分割算法。针对U-Net的编解码结构的冗余问题以及特征提取不足问题,本文设计的Attention-Res UNet在特征提取模块中引入恒等映射加强特征的传输,保证了特征提取的有效性,并利用瓶颈层设计减少模型训练参数。此外,本方法在残差块内加入了注意力机制,使得提取的特征更加聚焦空间信息,并重新校准特征通道,进一步加强有效特征的权重,从而提高分割的性能。(3)为了进一步加强特征传递,本文设计了Attention-Dense UNet对肝脏肿瘤进行分割。通过设计Attention-Dense Block代替U-Net中的卷积层,以加强特征传播。Attention-Dense Block层内的特征均融合了所有前馈层的特征,来获得多层次信息,以此增强模型的表征能力。密集块的设计不仅加强了特征的复用,提升了分割性能,同时也大幅减少了模型的参数数量。此外,通过在密集连接层内加入注意力机制,可以增强有效特征的传递,优化分割结果。同时,针对样本集的类不平衡问题,本文提出了一种结合二元交叉熵损失函数和Tversky损失函数的混合损失函数,以加速模型的训练并进一步降低误分割率。本文提出的Attention Res U-Net和Attention Dense U-Net在3D-IRCADb和Li TS数据集在Dice系数等分割评价指标上相较与其他主流分割算法均取得了具有竞争力的结果。并且通过消融实验,验证了本文提出的模型结构以及损失函数的有效性。