肝脏肿瘤分割

知网参考论文

1. CT图像的肝脏及肝脏肿瘤分割方法研究--刘铭 叶宏伟（浙江明峰智能医疗科技有限公司）

放射科医师通常通过注射方案增强CT扫描，以便更加清楚地观察肿瘤，同时这也可能会增加肝脏区域图像内部的噪声。多CT扫描包括沿z轴方向具有高变化的各向异性尺寸。
肿瘤与肝脏的对比度变化的范围较大。
肝脏内部的肿瘤一般灰度值低于肝脏，肿瘤显示模糊。

数据集：MICCAI2017的肝脏肿瘤分割 (LiTS) 。共有131个和70个用来训练和测试的3D腹部CT增强扫描。
评价标准：Dice
数据选取：本实验选取129个训练数据。对数据进行重采样，CT图像分辨率为原来的0.5，并仅保留含有肝脏的切片作为训练数据，为保证泛化性，扩展了40个不含肝脏的相邻切片加入训练数据。
肿瘤与肝脏的对比度变化的范围较大。选取了对比度大的数据作为训练数据。
预处理：对数据进行ROI操作，使真实肝脏分割结果，与原图像进行与操作，只保留肝脏区域图像。
降低肿瘤的灰度值为0，提升非肝脏区域的灰度值为255，并将肝脏的灰度值调整到125，以突出肝脏以及肿瘤。

1994年首次提出的神经网络利用直方图特征进行肝脏分割。该方法严重依赖于预处理和后处理来提前抛弃不相关的区域，并通过形态学操作和b样条平滑来保证边界的平滑。[51]现代卷积神经网络是一种无需手工特征工程就能进行端到端优化的数据驱动算法。目前，卷积神经网络广泛应用于医学图像的自动语义分割任务中，而不依赖于手工制作的特征[52]。
Ronneberger等人提出的U-Net体系结构被广泛应用于生物医学图像分割，并在多个分割任务[53]中证明了其有效性和鲁棒性。与传统的语义分割网络相比，U-net在结构上的新颖之处[54,55]在于它结合了等量的上采样层和下采样层，以及其相反的卷积层和反卷积层之间的跳跃连接。其他方法，类似于U-NET使用2D CNN，但没有交叉连接，克服了肝脏和邻近器官之间的低对比度的挑战，在SLIVER07[56]上显示了良好的结果。
成功的方法都具有多阶段处理的共性，从3D CNN开始，使用其学习到的概率图作为输入进行进一步的后期处理。我们在SLIVER07上看到了很好的结果，我们将同时进行肝脏检测和使用3D CNN的概率分割结合起来，然后使用graph cut[57]对分割进行精度的细化，3D CNN与随机场[58]结合，3D CNN采用表面进化算法[59]。此外，一个3D的CNN被提议去学习一个特定主题的肝脏概率图。然后将全局和局部的外观信息合并到一个分割模型中，对该模型进行全局优化，用于表面进化[59]。

在LiTS之前，深度学习方法很少用于肝脏肿瘤的分割任务。一种方法是采用11层的3D CNN和graph cut进行分割细化[90]，Christ等人提出了一种密集的3D条件随机场，在级联3D CNNs (U-Net)用于肝脏和肿瘤分割[2]后进行分割细化。

相关论文

Review of liver segmentation and computer assisted detection/diagnosis methos in computed tomography（肝脏分割和计算机辅助检测/诊断方法的综述）