基于深度监督残差网络的肝脏及肝肿瘤分割

摘要

针对医生手动对肝脏肿瘤CT图像分割耗时、耗力,且易受主观判断影响的问题,该研究提出一种深度监督残差网络(Deeply Supervised Residual Unet,DS-ResUnet)算法,以实现对腹部增强CT图像中肝脏及肝脏肿瘤区域进行全自动分割的目的.首先,利用公开发布的MICCAI2017肝脏肿瘤分割(LiTS)挑战赛数据集,并使用python及TensorFlow开源框架进行数据分析;然后,构建深度监督残差网络对肝脏及肝肿瘤图像进行自动分割;最后,通过平均Dice系数、全局Dice系数、Jaccard系数、平均对称表面距离(ASSD)、95％豪斯多夫距离(HD95)、准确率和召回率七个评价指标对所提出算法与Unet模型的性能进行比较分析.结果 显示,所提出的DS-ResUnet算法在肝脏分割上的七个评价指标结果依次为96.06％、95.08％、92.54％、1.98 mm、12.87 mm、96.11％、96.06％,优于Unet模型的结果(95.71％、94.52％、91.91％、2.41 mm、14.21 mm、95.48％、96.01％);在肝肿瘤分割上的七个评价指标结果依次为67.51％、76.65％、54.21％、6.65 mm、25.34 mm、80.39％、64.27％,也优于Unet模型的结果(60.67％、73.47％、47.39％、9.43 mm、39.38 mm、79.61％、58.01％).这表明所提出的算法有效地提高了分割效果,实现了从3D腹部增强CT图像中全自动分割肝脏和肝肿瘤区域的目的.