摘要:
针对医生手动对肝脏肿瘤CT图像分割耗时,耗力,且易受主观判断影响的问题,该研究提出一种深度监督残差网络(Deeply Supervised Residual Unet,DS-ResUnet)算法,以实现对腹部增强CT图像中肝脏及肝脏肿瘤区域进行全自动分割的目的.首先,利用公开发布的MICCAI2017肝脏肿瘤分割(LiTS)挑战赛数据集,并使用python及TensorFlow开源框架进行数据分析;然后,构建深度监督残差网络对肝脏及肝肿瘤图像进行自动分割;最后,通过平均Dice系数,全局Dice系数,Jaccard系数,平均对称表面距离(ASSD),95%豪斯多夫距离(HD95),准确率和召回率七个评价指标对所提出算法与Unet模型的性能进行比较分析.结果显示,所提出的DS-ResUnet算法在肝脏分割上的七个评价指标结果依次为96.06%,95.08%,92.54%,1.98 mm,12.87 mm,96.11%,96.06%,优于Unet模型的结果(95.71%,94.52%,91.91%,2.41 mm,14.21 mm,95.48%,96.01%);在肝肿瘤分割上的七个评价指标结果依次为67.51%,76.65%,54.21%,6.65 mm,25.34 mm,80.39%,64.27%,也优于Unet模型的结果(60.67%,73.47%,47.39%,9.43 mm,39.38 mm,79.61%,58.01%).这表明所提出的算法有效地提高了分割效果,实现了从3D腹部增强CT图像中全自动分割肝脏和肝肿瘤区域的目的.
展开