基于全卷积神经网络的肝脏CT影像分割研究

针对腹部CT影像邻近器官对比度较低及因个体肝脏形状差异较大等引起肝脏分割困难的问题,提出了全卷积神经网络肝脏分割模型。首先通过卷积神经网络提取图像深层、抽象的特征,再通过反卷积运算对提取到的特征映射进行插值重构后得到分割结果。由于单纯进行反卷积得到的分割结果往往比较粗糙,因此,在反卷积之前,先融合高层与低层的特征,并且通过增加反卷积的层数、减少反卷积步长,得到了更为精确的分割结果。与传统卷积神经网络的分割方法相比,该模型可以充分利用CT影像的空间信息。实验数据表明该模型能够使腹部CT影像肝脏分割具有较高的精度。

基于半监督阶梯网络的肝脏CT影像分割

针对医学影像数据中标记样本较少且人工标记成本高的问题,提出一种基于半监督阶梯网络的肝脏CT(Computed Tomography)影像分割模型。首先,利用超像素分割对数据进行预处理减少数据量,并以像素点为中心提取子图像(patch)放入半监督模型进行训练。最后,利用训练模型进行肝脏分割。实验结果表明,该模型利用少量的标记图片得到了与监督学习相近的结果。