基于深度卷積神經(jīng)網(wǎng)絡(luò)的三維醫(yī)學(xué)圖像分割方法

摘要：常規(guī)的三維醫(yī)學(xué)圖像分割處理的把控效果較差，為此該文提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的三維醫(yī)學(xué)圖像分割方法。設(shè)置初始分割節(jié)點(diǎn)，采用多模態(tài)的方式，構(gòu)建多模態(tài)圖像分割序列。設(shè)計深度卷積神經(jīng)網(wǎng)絡(luò)醫(yī)學(xué)圖像分割模型，采用空間金字塔池化輔助處理方法來強(qiáng)化圖像分割結(jié)果。測試結(jié)果表明，用此方法分割后的Dice系數(shù)均可以達(dá)到0.7以上，處理效果更好。

關(guān)鍵詞：深度卷積神經(jīng)網(wǎng)絡(luò)；三維醫(yī)學(xué)；圖像分割；分割方法；圖像預(yù)處理

doi：10.3969/J.ISSN.1672-7274.2024.08.033

中圖分類號：TP 181" " " " " " " " "文獻(xiàn)標(biāo)志碼：B" " " " " " 文章編碼：1672-7274（2024）08-00-03

A 3D Medical Image Segmentation Method Based on Deep Convolutional Neural Networks

ZHU Yihui

（School of Software， Southeast University， Nanjing 211189， China）

Abstract： The control effect of conventional 3D medical image segmentation processing is poor. Therefore， this paper proposes a 3D medical image segmentation method based on deep convolutional neural networks. Set initial segmentation nodes and use a multimodal approach to construct a multimodal image segmentation sequence. Design a deep convolutional neural network medical image segmentation model and use spatial pyramid pooling as an auxiliary processing method to enhance the image segmentation results. The test results show that the Dice coefficients after segmentation using this method can all reach 0.7 or above， and the processing effect is better.

Keywords： deep convolutional neural network; 3D medicine; image segmentation; segmentation method; image preprocessing

0" "引言

醫(yī)學(xué)影像技術(shù)的不斷發(fā)展，促使三維醫(yī)學(xué)圖像逐漸成為臨床診斷和治療的重要依據(jù)[1]。傳統(tǒng)的醫(yī)學(xué)圖像分割方法多為單向處理[2]，雖然可以實現(xiàn)預(yù)期的圖像分割及處理目標(biāo)，但是把控效果差。近年來卷積神經(jīng)網(wǎng)絡(luò)（CNN）的應(yīng)用為醫(yī)學(xué)圖像分割提供了新的解決方案[3]。神經(jīng)網(wǎng)絡(luò)能夠直接對三維醫(yī)學(xué)圖像進(jìn)行建模，減少了傳統(tǒng)方法中復(fù)雜的預(yù)處理和后處理工作[4]。為此，本文提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的三維醫(yī)學(xué)圖像分割方法。

1" "設(shè)計三維醫(yī)學(xué)圖像深度卷積神經(jīng)網(wǎng)絡(luò)分割方法

1.1 設(shè)置初始分割節(jié)點(diǎn)

在三維醫(yī)學(xué)圖像分割任務(wù)中，首先需要確定分割目標(biāo)[5]。可以將圖像中的內(nèi)容作為分割識別目標(biāo)，確定初始分割區(qū)域，在各個區(qū)域中設(shè)置節(jié)點(diǎn)，節(jié)點(diǎn)互相搭接與關(guān)聯(lián)，獲取對應(yīng)的數(shù)量以及位置。設(shè)置初始分割節(jié)點(diǎn)的位置和形狀，以及目標(biāo)區(qū)域的邊界，測算出邊界值，如式（1）所示：

（1）

式中，為節(jié)點(diǎn)邊界值；為初始分割區(qū)域；為重復(fù)分割區(qū)域；為標(biāo)準(zhǔn)距離；為可識別頻次；為預(yù)測范圍。結(jié)合得出的節(jié)點(diǎn)邊界值，明確圖像中的分割目標(biāo)對象，增設(shè)自動預(yù)測程序，鎖定醫(yī)學(xué)圖像中的目標(biāo)區(qū)域，并生成分割節(jié)點(diǎn)的擴(kuò)展監(jiān)測區(qū)域。采用一些形態(tài)學(xué)操作、邊緣檢測等圖像處理技術(shù)，對初始分割節(jié)點(diǎn)進(jìn)行修正和優(yōu)化，以提高分割的準(zhǔn)確性和一致性。

1.2 構(gòu)建多模態(tài)圖像分割序列

結(jié)合多模態(tài)原理，依據(jù)實際的圖像處理需求及標(biāo)準(zhǔn)，進(jìn)行圖像分割序列的構(gòu)建。收集不同模態(tài)的三維醫(yī)學(xué)圖像和對應(yīng)的特征數(shù)據(jù)，建立一個基礎(chǔ)的坐標(biāo)系，對采集的圖形配準(zhǔn)處理，控制配準(zhǔn)差在0.68～1.02之間，實現(xiàn)圖像與數(shù)據(jù)的轉(zhuǎn)換之后，在圖像空間之間建立一致性關(guān)系。設(shè)置分割序列的模態(tài)處理指標(biāo)，如表1所示。

將不同模態(tài)的圖像融合處理，形成單向的多模態(tài)的三維醫(yī)學(xué)圖像序列。采用疊加或加權(quán)融合的形式，測算出分割幅值，如式（2）所示：

（2）

式中，為分割幅值；為模態(tài)均值；為分割范圍；為共享序列；為轉(zhuǎn)換差。結(jié)合得出的分割幅值，設(shè)定為后續(xù)圖像分割的約束條件，將同類型的分割序列疊加，進(jìn)行協(xié)同處理，提升對三維醫(yī)學(xué)圖像的分割處理效率。

1.3 設(shè)計深度卷積神經(jīng)網(wǎng)絡(luò)醫(yī)學(xué)圖像分割模型

結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，設(shè)計三維醫(yī)學(xué)圖像分割模型。在初始的分割程序之中導(dǎo)入U-Net結(jié)構(gòu)，形成一個對稱的卷積神經(jīng)網(wǎng)絡(luò)，劃分為編碼器和解碼器。在編碼器中設(shè)計對應(yīng)的圖像分割層級，分別是卷積層、池化層和上采樣層，首先進(jìn)行基礎(chǔ)圖像分割特征采集，如圖1所示。

基于深度卷積神經(jīng)網(wǎng)絡(luò)，制定與之匹配的圖像分割目標(biāo)，同時設(shè)計對應(yīng)的分割模型表達(dá)式，如式（3）所示：

（3）

式中，為分割模型輸出結(jié)果；為池化范圍，為圖像分割區(qū)域；為圖像自身維度；和分別為基礎(chǔ)圖像特征值和實際圖像特征值，結(jié)合得出的模型結(jié)果，判定模型對圖像的基礎(chǔ)分割情況，設(shè)計第二階段的圖像分割結(jié)構(gòu)，如圖2所示。

結(jié)合圖2，實現(xiàn)對深度卷積神經(jīng)網(wǎng)絡(luò)醫(yī)學(xué)圖像分割模型結(jié)構(gòu)的設(shè)計與驗證分析。結(jié)合特征的變化，對目標(biāo)圖像進(jìn)行分割處理，采用跳躍連接來恢復(fù)圖像的細(xì)節(jié)并輸出分割結(jié)果，將編碼器部分提取的特征信息與解碼器部分的輸出進(jìn)行融合，以增強(qiáng)分割結(jié)果的可視化效果。

1.4 空間金字塔池化輔助處理強(qiáng)化圖像分割結(jié)果

基于空間金字塔池化圖像處理技術(shù)，將三維醫(yī)學(xué)圖像劃分為多個二維切面，并分別對每個切面進(jìn)行池化操作，得到多個二維特征圖，降低了數(shù)據(jù)的維度，與此同時，進(jìn)行空間金字塔池化限值的計算，如式（4）所示：

（4）

式中，為空間金字塔池化限值；為總分個區(qū)域；為分割間距；為金字塔池化面積；為分割頻次；為二位切面。結(jié)合得出的限值，對模型輸出的結(jié)果進(jìn)行比對修正，調(diào)整分割環(huán)節(jié)與內(nèi)容，確保最終分割結(jié)果的真實可靠。

2" "方法測試

2.1 測試準(zhǔn)備

選定A醫(yī)院作為測試的主要目標(biāo)對象，結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)，對三維醫(yī)學(xué)圖像分割方法的實際測定環(huán)境進(jìn)行搭建與關(guān)聯(lián)處理。首先，選定基于肺部CT切片圖像作為測定的對象，圖像的矩陣大小為532×502，圖像一定要有連續(xù)性，所以，采集連續(xù)的6組圖像進(jìn)行比對分割處理。將當(dāng)前的測試程序及設(shè)備導(dǎo)入Intel Core （TM）i7-3632QM 2.2 GHz的MATLAB R2012a平臺之上，設(shè)置灰度帶寬為6，空間帶寬為1.5，初始的分割頻率為125 Hz，相似性灰度范圍255，分割空間范圍為15。利用深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，明確圖像分割的具體范圍及內(nèi)容，設(shè)定神經(jīng)網(wǎng)絡(luò)輸入輸出點(diǎn)，以便于實時數(shù)據(jù)、信息的采集。

2.2 測試過程及結(jié)果分析

采集基礎(chǔ)數(shù)據(jù)，設(shè)定分割目標(biāo)與分割環(huán)境，通過三個分割層級進(jìn)行處理，并對此時的圖像做出增強(qiáng)去噪處理，確保最終得出的分割結(jié)果真實可靠。在圖像中選擇一點(diǎn)作為初始的分割圖像，對6組連續(xù)的圖像同時分割處理，具體分割效果如圖3所示：

結(jié)合圖3，實現(xiàn)對肺部CT切片圖像分割處理測試過程的分析與驗證，針對得出的測試數(shù)據(jù)和信息，計算出此時的Dice系數(shù)，如式（5）所示：

（5）

式中，為Dice系數(shù)；和分別為基礎(chǔ)分割定值和實際分割定值；為分割失誤次數(shù)。結(jié)合當(dāng)前的測試，分三個階段進(jìn)行分割處理，對最終得出的測試結(jié)果比照研究，如表2所示。

結(jié)合表2，得出以下結(jié)論：針對選定的6張連續(xù)醫(yī)學(xué)圖像，經(jīng)過三個階段的測試，最終得出的Dice系數(shù)均可以達(dá)到0.7以上，更加接近于1，說明在深度神經(jīng)網(wǎng)絡(luò)技術(shù)的輔助下，所設(shè)計的三維醫(yī)學(xué)圖像分割方法更為高效，細(xì)致，具有實際的應(yīng)用價值。

3" "結(jié)束語

本文提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的三維醫(yī)學(xué)圖像分割方法。該方法利用卷積神經(jīng)網(wǎng)絡(luò)自動提取圖像特征，能夠直接對三維醫(yī)學(xué)圖像進(jìn)行建模，一定程度上避免了傳統(tǒng)方法的煩瑣過程。通過實驗驗證，證明該方法的分割結(jié)果具有較高的準(zhǔn)確性和可靠性，具有較高的應(yīng)用價值。

參考文獻(xiàn)

[1] 楊玉聃，張俊華，劉云鳳．基于三維循環(huán)殘差卷積的脊柱CT圖像分割[J]．計算機(jī)工程，2024（4）：237-246．

[2] 李軍，葉欣怡，楊長才，等．基于聯(lián)合深度網(wǎng)絡(luò)和形態(tài)結(jié)構(gòu)約束的三維醫(yī)學(xué)圖像分割方法[J]．中國生物醫(yī)學(xué)工程學(xué)報，2023，42（1）：30-40．

[3] 羅港，呂佳．基于雙任務(wù)一致性的半監(jiān)督深度學(xué)習(xí)醫(yī)學(xué)圖像分割方法[J]．重慶師范大學(xué)學(xué)報（自然科學(xué)版），2022，39（6）：99-109．

[4] 張淑軍，彭中，李輝．SAU-Net：基于U-Net和自注意力機(jī)制的醫(yī)學(xué)圖像分割方法[J]．電子學(xué)報，2022，50（10）：2433-2442．

[5] 張相芬，劉艷，袁非牛．基于倒金字塔深度學(xué)習(xí)網(wǎng)絡(luò)的三維醫(yī)學(xué)圖像分割[J]．計算機(jī)工程，2022，48（12）：304-311．

作者簡介：朱益輝（2000—），女，漢族，河北石家莊人，助教，碩士研究生，研究方向為醫(yī)學(xué)影像、深度學(xué)習(xí)。