基于改進的VNet肝臟分割方法探討*

鄧媛媛

北方民族大學計算機科學與工程學院 寧夏 銀川 750021

引言

肝癌(liver cancer, LC)是臨床上最常見癌癥之一[1]，對患者及其家屬的生活質量造成了極大威脅。目前，治療肝癌最有效的手段是手術切除，穩定、快速和精準的肝臟分割算法已經成為業界的一大研究熱點。VNet網絡[2]是一種3D純神經網絡，能夠充分利用3D數據的空間特征信息。但一般訓練時間較長。為了節省GPU內存和計算量，同時結合層間信息。本文使用3個連續的2D圖像拼接作為預訓練，使用不同的兩個卷積核代替常規卷積，分別提取層內信息和層間信信息。同時在跳躍連接部分加入鏈式殘差池化模塊，獲得更多的特征信息。

1 本文方法

1.1 模型概述

本文提出一種改進的VNet網絡，將相關切片和與它相鄰的兩個上下切片作為網絡的輸入，以中間切片作為輸出結果。訓練過程中使用1×3×3和3×1×1的卷積核分別用來提取層內信息和層間信息，不僅利用了醫學數據的三維空間信息，而且避免了三維卷積神經網絡產生的大量計算，同時縮短了訓練時間。為了能充分利用高層和低層的語義信息，本文在VNet的跳躍連接部分加入兩個帶有池化和卷積操作的鏈式殘差池化模塊CRP（Chained Residual Polling）[3]，如圖1。該網絡使用1×5×5，padding為2，stride為1的卷積核進行池化操作，保證最后輸出圖像尺寸與原始圖像尺寸一致。池化后接卷積操作，將輸出的結果作為下一個池化卷積模塊的輸出，最后將兩次得到的特征圖進行融合。本實驗在已有的網絡模型中做了細微的調整，在每個卷積層之后加入批歸一化BN（Batch Normalization, BN）和Dropout操作。使用BN層可以把每層數據轉化為相同分布，使網絡模型比較容易收斂，加快模型的訓練過程。Dropout是一個超參數，取值范圍在0～1之間，可以有效地緩解過擬合問題的發生。

圖1 鏈式殘差池化

1.2 數據集及評價指標

為了評估本文方法在肝臟分割應用中的實際效果，實驗在LiTS數據集[4]上進行驗證。包含130組訓練數據和70組測試數據，其中70組測試數據是沒有標簽的。使用130例帶標簽的訓練數據，分為100例測試和30例訓練。使用精確度（Accuracy）和Dice相似系數（Dice similarity coefficient）來定量評估分割算法的性能。其中精確度（Accuracy）表示正確的數據占總數據的比例。公式為：

Dice相似系數（Dice similarity coefficient，DSC）使用分割結果與標記之間的距離來評估區間的相似度，公式為：

式中，P和N表示模型的預測結果，T和F用來判斷模型的結果是否正確，FP代表假正例，FN代表假負例，TP代表真正例，TN代表真負例。

2 實驗結果

本算法的精確度為0.956，DICE系數為0.823。分割結果可視化結果如圖2。圖像從1-3列分別為原始圖像、標簽圖像和模型的預測結果，從圖中可以看出，使用模型分割結果和專家手動分割的結果差比不大，沒有差別特別突出的地方，只存在邊緣的分割比較粗糙。

圖2 模型在LITS數據集上的分割結果

3 結束語

本文基于醫學圖像分割網絡模型VNet，提出了一種基于2.5D的分割網絡，將連續的3張切片作為模型的輸入，充分利用了3D醫學數據的空間特性，并使用鏈式池化殘差模塊提取了更多的信息，以提升分割精度，并在LITS數據集上進行了實驗，通過實驗可以發現，本文方法可以較好地完成肝臟分割任務。但本文也存在很多的局限性，本文設計的分割方法雖然利用層間信息實現了比較好的效果，但是數據依然是2D切片，獲取的三維數據的空間信息有限，未來需要對3D網絡進一步研究。