基于2.5D级联卷积神经网络的CT图像胰腺分割方法

发布时间：2021-09-05 11:57

　　目的:由于胰腺体积小、形态个体差异性大,影像上的准确分割较为困难。本文提出一种基于2.5D级联卷积神经网络的CT图像胰腺分割方法。方法:实验中使用的数据为NIH胰腺分割公开数据集,共包含82例腹部CT图像,随机选取其中56、9、17例分别作为训练集、验证集和测试集;训练过程中使用旋转、拉伸、平移、裁剪等操作对数据进行扩增。实验中提出一种用于胰腺分割的、结合概率图的2.5D级联深度监督UNet,即CSNet（Cascading deep Supervision UNet）。该网络由3个部分组成:第1部分基于UNet,输入连续5层图像,输出中间3层对应的粗分割图像,设置适当的阈值,使其变成二值的粗分割结果;第2部分将第1层、第3层的粗分割结果与中间层的原始图像相结合,输入另一个深度监督UNet网络,得到中间层的精细分割;第3部分将第1部分网络输出的中间层的粗分割概率图与第2部分网络输出的细分割概率图通过1×1卷积进行概率融合得到最终的输出结果。3个子网络同时进行训练,对应的能量函数联合优化,从而得到更精准的分割结果。最后,使用DSC对分割结果进行评估。结果:在独立测试集上,CSNet实现了... 

【文章来源】：中国医学物理学杂志. 2020,37(06)CSCD

【文章页数】：6 页

【部分图文】：

CSNet流程图

2.5D深度监督UNet网络SNet的结构

从实验结果中的表1可以看出，本文提出的CSNet在5个评价指标上都取得了较好的结果。2.5D UNet网络模型的分割结果优于2D UNet，这是因为2.5D的输入更有效地利用了胰腺三维结构信息；深度监督2.5D UNet网络模型SNet是在特征组合时，在最后一次反卷积之前加一个深度监督层，通过下采样层的监督，使网络能够保留更多的结构信息；同时，在深度监督层上使用与主网络不同大小的卷积核（图2），这样能够得到不同视野的组合特征，从而利用更多的细节信息[19-20]，最终获得比2.5D UNet更好的分割结果。CSNet及其两个子网络SNet1和SNet2的分割结果均优于其余传统的UNet分割模型，即使相比于单独的深度监督2.5D UNet网络模型SNet，也明显有很大提升。在训练过程中，同时训练两个子网络和概率融合网络，对3个部分的能量函数进行联合优化，与只训练最后的概率融合结果相比，这样的训练方式使3个部分在各自优化的同时可以相互促进，而又不会因为只注重全局优化而失去能够进一步整个网络的分割结果的细节信息。从表1中最后3行可以看出，CSNet的分割结果在多数评价标准上，优于两个子网络的分割结果。这是因为SNet1与SNet2输出的概率图所包含的信息并不完全相同，当进行概率融合时，通过对卷积核权重的优化就可以保留两者中有利于分割的信息。最终使得CSNet的分割结果优于粗分割网络SNet1和细分割网络SNet2。


本文编号：3385306