基于多参数磁共振图像和深度学习的肝癌分割方法研究

发布时间：2021-04-01 12:40

　　肝细胞癌（Hepatocellular Carcinoma,HCC）是世界上致死率最高的常见癌症之一。在HCC治疗的过程中,基于医学影像的病变区的精准分割对肿瘤边界的划定以及肿瘤体积的测量非常重要。磁共振成像（Magnetic Resonance Imaging,MRI）由于其无创性和软组织分辨率高等优点已成为主要的HCC影像学检查手段。多种参数的MRI图像可以从不同角度反映肿瘤信息,相互结合能够更精准的识别肿瘤。临床上,一般通过医生手动勾画完成HCC肿瘤分割,繁琐且耗时,易因医生诊断经验不同造成主观差异。近年来,机器学习尤其是深度学习技术在医学图像处理领域取得了重大突破。深度学习算法可以自主学习肿瘤特征,挖掘潜在的高维语义信息,达到肿瘤自动识别、分割的目的。因此,我们首创性地将深度学习应用到基于多参数MRI的HCC肿瘤分割领域,利用多种MRI图像分割的肿瘤结果构建多输入模式的深度网络,以准确、快速、客观地进行HCC肿瘤分割。为研究不同的图像输入对HCC肿瘤分割效果的影响,我们提出了基于单参数MRI和多参数MRI的两种分割思路。首先,我们根据临床医生的经验,使用基于Gd-EOB-DTP... 

【文章来源】：深圳大学广东省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

Sigmoid函数曲线

图 2.6 ReLu 二维数据处理图ReLu 的另一个优势是稀疏度，因为当 a<=0 时，输出总是 0， 每一层的神经元，结果就会越稀疏；另一方面 Sigmoid 总是会产生非零值，从而生成稠密表示。稀示使学习过程变得更简单和快捷。.2.1.3 池化层与反池化层池化层是一种简单的下采样操作，其主要作用是减少计算量和参数，同时还能赋络平移、旋转、缩放等不变性。在某些场景下，池化层还被用来获取定长输入。常池化层主要有两种，平均值池化和最大值池化。平均池化等同于均值滤波，而最大化层的作用是非极大值抑制，如图 2.7 所示。3 7685 412最大池化8 5

的 U-Net 分割热力图。a1，c1，a2，c2 为输入的原始图像，b1，d1，b2，d2 分割热力图，颜色越亮表示预测概率图中肿瘤响应越强烈，且其范围在[0，1et 方法相对于传统机器学习逐像素点分类的方式而言，区别只是通过将整图作为输出，其本质依然是逐像素点的分类。因此，局部较亮的络判定为高概率为肿瘤的像素点。从图 4.4（b1）中可以看出，除了肿他的相似组织也有响应，甚至局部的一些小区域也有等同于主要肿瘤图 4.4 中四组图，可以发现图像上大多类似与肿瘤的结构都或多或少这是因为 U-Net 架构同时融合了局部的细节特征和全局的肿瘤响应。区的特征已被抑制，肿瘤区的特征被保留下来，因此可以帮助定位肿信息的损失从而只能起到肿瘤的定位作用；引入局部信息可以优化避免的也会引入局部组织的响应。二者融合之后，随着梯度的传递就部响应。是 U-Net 方法的典型分割结果展示，如图 4.5 所示。

【参考文献】：
期刊论文
[1]肝癌合并肝硬化门静脉高压行TACE联合TIPS治疗的安全性与疗效[J]. 周思佳,罗小平,刘曦,何明菊.  重庆医学. 2017(35)
[2]肝脏增强CT与肝脏MRI在诊断肝癌准确率方面的对比研究[J]. 项昆,赵鹤亮,张亚杰,郑昌英.  实用癌症杂志. 2014(09)
[3]肝MRI对比剂的研究和进展[J]. 章士正.  国外医学(临床放射学分册). 1999(04)



本文编号：3113351