基于改進U-Net的肝臟分割方法

莫春梅，周金治，李雪，余璽

1.西南科技大學信息工程學院，四川綿陽621000；2.特殊環境機器人技術四川省重點實驗室，四川綿陽621000

前言

醫學圖像分割是醫學圖像分析的一個重要步驟，其分割結果直接影響疾病診斷和后期的治療［1］。目前，肝部醫學圖像分割方法分為人工分割、半自動分割和自動分割［2］。人工分割不僅耗時，而且分割結果的好壞取決于醫生的經驗和知識；半自動分割的分割結果與初始設置參數有關，主觀性較大；自動分割避免人為因素的影響，但大多算法實現復雜，分割效果尚不理想［3］。因此探索一種高效準確的肝臟區域自動分割方法對肝病的輔助診斷和后期的治療有著重要的意義［4］。近年來，隨著深度學習不斷發展,自動分割在肝部醫學圖像分割中取得了很大進展［5］。文獻［6］提出一種全卷積神經網絡，該方法可以接受任意大小的輸入圖像，而不用要求訓練圖像和測試圖像具有同樣的尺寸，避免了由于使用像素塊而帶來的重復存儲和計算卷積的問題；但是分割結果不夠精細，對圖像中的細節不敏感［7］。文獻［8］提出一種生物醫學U-Net卷積網絡圖像分割模型，該網絡由編碼器和解碼器兩部分組成，并且該網絡使用跳躍連接（Skip Connection）將編碼器與解碼器的特征圖進行融合，使得U-Net在像素定位上更加準確；但還是不能精確分割圖像中器官的位置和邊界［9］。文獻［10］提出一種深度殘差U-Net（ResUnet），它由ResNet網絡的殘差模塊代替U-Net中的普通卷積模塊構成，該網絡結構不僅可以提高分割效果，并且它的參數量是U-Net的1/4［11］?！?br>