基于深度学习的器官自动分割研究进展

发布时间：2021-07-15 20:18

　　介绍了使用率较高的深度学习基础网络的结构模型及常用改进方法,阐述了使用深度学习神经网络对MRI及CT图像中的脑部、肺部、肝脏、胰腺、前列腺等器官进行自动分割的研究进展。指出了未来应更多关注3D图像分割和少样本训练,开发更适用的网络结构,以提高器官分割准确性和分割效率。 

【文章来源】：医疗卫生装备. 2020,41(01)

【文章页数】：10 页

【部分图文】：

CNN结构示意图

FCN是在医学图像分割领域广泛应用的CNN变体，结构如图2所示。其跳级连接使网络深层计算融合图像细节，提高了分割精确度，增强了输入图像的鲁棒性；反卷积结构使输出图像恢复至输入尺寸[9]。U-Net是基于FCN发展出的更适合医学图像二值分割特点的网络模型，结构如图3所示。收缩路径利用下采样捕捉图片上下文信息以获取图片特征，扩展路径通过水平连接融合图像细节，实现特征精准定位[10]。该结构可根据需要自由加深，适应了医学图像尺寸偏大的情况。

目前利用深度学习分割肝脏主要基于CT图像进行。肝脏与周围器官灰度值接近，其大小、形状受患者个体差异及呼吸动度影响较大，分割具有挑战性。自2016年起，基于CNN的自动分割就取代了基于形状和外观的建模方法，成为肝脏分割挑战SLI-VER07的最优方法。基于CT图像采用深度学习自动分割肝脏的部分高引文献见表3。由表3可知，基于改进CNN的3D分割方法应用最广，因其可以充分利用三维空间信息，结合浅层和深层的特征增加肝脏分割的准确性。目前，基于CT图像分割肝脏主要以研究器官分割为主，分割病变区域大多需要MRI图像辅助。

【参考文献】：
期刊论文
[1]机器学习算法在医疗领域中的应用[J]. 兰欣,卫荣,蔡宏伟,郭佑民,侯梦薇,邢磊,那天,陆亮.  医疗卫生装备. 2019(03)
[2]基于深度卷积网络的阿尔茨海默病诊断模型研究[J]. 张柏雯,林岚,孙珅,吴水才.  医疗卫生装备. 2019(01)
[3]基于深度学习方法检测皮肤镜图像中黑色素瘤的研究进展与展望[J]. 张杰,赵惠军,李贤威,法振宗,王亚林.  医疗卫生装备. 2018(11)
[4]基于深度学习的医学图像处理研究进展[J]. 林金朝,庞宇,徐黎明,黄志伟.  生命科学仪器. 2018(Z1)
[5]深度学习在医学图像分析中的研究进展[J]. 艾飞玲,马圆,田思佳,王肖楠,张凤,郭秀花.  北京生物医学工程. 2018(04)
[6]深度卷积神经网络在放射治疗计划图像分割中的应用[J]. 邓金城,彭应林,刘常春,陈子杰,雷国胜,吴江华,张广顺,邓小武.  中国医学物理学杂志. 2018(06)
[7]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬.  自动化学报. 2018(03)
[8]基于全卷积神经网络的肝脏CT影像分割研究[J]. 郭树旭,马树志,李晶,张惠茅,孙长建,金兰依,刘晓鸣,刘奇楠,李雪妍.  计算机工程与应用. 2017(18)
[9]深度学习在轻度认知障碍转化与分类中的应用分析[J]. 张柏雯,林岚,吴水才.  医疗卫生装备. 2017(09)
[10]前列腺磁共振图像分割的反卷积神经网络方法[J]. 詹曙,梁植程,谢栋栋.  中国图象图形学报. 2017(04)

硕士论文
[1]基于低秩分解和多图谱的胰腺三维磁共振图像分割[D]. 牛帅.西安电子科技大学 2017
[2]基于深度卷积神经网络的CT图像肝脏肿瘤分割方法研究[D]. 李雯.中国科学院深圳先进技术研究院 2016
[3]核磁共振图像中的3D胰腺分割[D]. 杜磊.西安电子科技大学 2014
[4]基于迁移学习的2-D MRI胰腺分割[D]. 吴姣龙.西安电子科技大学 2014
[5]基于统计模型的胰腺分割算法的研究与实现[D]. 王鑫.东北大学 2013



本文编号：3286394