基于改进U-Net的肝脏CT影像分割方法研究

作     者：朱水成 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：李秀华;李星

授予年度：2023年

学科分类：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] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 080203[工学-机械设计及理论] 0802[工学-机械工程] 100106[医学-放射医学] 10[医学] 100602[医学-中西医结合临床] 

主      题：深度学习 U-Net CT图像 肝脏肿瘤分割 注意力机制 

摘      要：肝癌是全球最普遍的癌症之一,严重危害着人们的生命和健康,早期的筛查和治疗可以有效降低癌症的发病率和病死率。当前,检查肝脏肿瘤最常用的方式是计算机断层扫描(Computed Tomography,CT)。对于治疗肿瘤,最主要的手段有肿瘤切除、介入治疗和放射治疗。术前详尽地获知肿瘤的数目和尺寸等信息,对于手术方案的科学制定意义重大。因此,在进行肝脏肿瘤治疗之前确保其精准分割至关重要。目前肝脏肿瘤的分割存在多个难点:肝脏邻近区域分布着许多器官和血管;肝脏肿瘤的位置、大小和形状非常复杂,边界也不清晰且灰度不均匀。在医疗诊断中,人工分割需要投入大量时间和精力,且结果也许不一致。半自动分割方法需要人工干预,其效果会受个人经验和主观性的影响。当前,在医学图像分割领域已广泛使用深度学习技术,本文基于U-Net网络框架进行研究。针对传统U-Net网络信息提取不充分、分割精度低等问题,提出了基于改进U-Net的肝脏分割方法。首先,在U-Net编码阶段使用混合空洞卷积替换原有卷积块,扩大感受野、提取更多的上下文信息;在解码阶段采用密集上采样卷积,捕获和解码更详细的信息;引入残差模块,加速模型的训练并防止网络退化。其次,在每个跳跃连接之间加入注意力机制(CBAM),使模型重点关注感兴趣区域的特征信息,并结合Focal Tversky损失函数以改善类不平衡问题。通过Li TS2017数据集的实验表明,相较于传统U-Net,所提方法在肝脏分割中Dice指标提升了3.56%,召回率提升了3.71%,精确率提升了2.76%。针对CT图像中小尺寸肝脏肿瘤区域的特征学习,提出了基于改进UNet3+的肝脏肿瘤分割方法:在UNet3+的编码阶段引入感受野模块,增强特征提取能力;在解码阶段使用数据相关型上采样(DUpsampling)代替原始上采样方式,恢复更精细的图像特征信息;在跳跃连接之间加入规范化注意力机制(NAM),使模型重点关注目标区域的特征,抑制冗余特征;最后使用交叉熵和Dice结合的混合损失函数,改善类别不均衡问题,提升网络的收敛性能。通过Li TS2017数据集的实验表明,相较于原始UNet3+,所提方法在肝脏肿瘤分割中Dice指标提升了4.05%,召回率提升了2.83%,精确率提升了3.92%。