基于深度学习的肾脏CT图像分割方法研究

作     者：冯嘉钦 

作者单位：广东工业大学 

学位级别：硕士

导师姓名：邱卫根

授予年度：2022年

学科分类：12[管理学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 100106[医学-放射医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 100602[医学-中西医结合临床] 

主      题：肾脏图像分割 深度学习 多尺度UNet 轻量化 

摘      要：随着医学图像处理方法不断地进步,图像处理算法对于医学工作有着必不可少的帮助作用。肾脏CT图像分析通过电子计算机断层扫描技术,对肾脏相关疾病和并发症的医疗诊断和治疗有着至关重要的临床价值。肾脏CT图像分割任务中存在一定特征复杂的问题,使肾脏以及病变区域的分割变得十分困难,严重影响算法的分割效果。近年来,无论传统图像分割算法还是深度学习分割方法都难以取得非常令人满意的表现。另一方面,因为网络结构参数量大,基于深度学习的分割模型效率低下,硬件平台成本高,响应速度慢。为了处理上述问题,本文提出了相关的研究如下:（1）为了解决肾脏CT图像分割精度低的问题,本文提出了基于多尺度UNet的图像分割模型,优化了分割算法流程,提高了分割精度。通过引入Inception多尺度特征提取模块,解决了分割目标特征尺度大小差异大的问题。通过引入注意力机制,对相关区域增加关注权重,缓解肾脏肾盂位置细枝末节的复杂性。利用双流输入网络结构,获得肾脏CT图像边缘信息流,以补充先验知识。同时,模型中结合了数学形态学方法和分水岭算法,实现后处理优化功能,进一步优化了模型的分割效果。（2）对于图像分割模型算法效率低的问题,本文在保证模型分割效果的前提下,对图像分割模型进行轻量化改进。结合相关轻量化模型的改进思路,通过使用通道分割、分组卷积、深度可分离卷积以及通道打乱等基本操作,进行轻量化模块的搭建。将轻量化模块融入图像分割模型的主干网络卷积层当中,对模型的参数量和计算量进行最大程度的减低,提高模型推理速度。本文结合一系列技术方法提出了轻量多尺度UNet图像分割模型以及后处理优化流程,使得肾脏CT图像分割任务能够精确高效地完成。使用KITS19肾脏CT图像数据集,算法实验在MIOU图像分割指标上得到了一定的提高,达到了93.44%,同时,模型推理速度也得到了提高,在Ge Force GTX 1080 Ti显卡上运行达到了9ms/张。实验对比分析表明本文算法对肾脏CT图像分割的效果和效率都优于现有一些优秀的模型和基准模型,进一步说明本文算法对肾脏CT图像分割具有一定的有效性和先进性。