多级卷积神经网络的胰腺自动分割题库.docx

基于多级深度卷积网络的胰腺自动分割摘要：器官自动分割是医学图像分析的一个重要而具有挑战性的问题。胰腺是腹部具有非常高的解剖变异性的器官。 用之前肝肾脏或者心脏的分割方法很难达到很高的精确度。在本文中，我们提出了一个用多级卷积网络基于概率的自下而上的方法对腹部CT图像的胰腺进行自动分割。我们提出并评估几个深度卷积网络在分层上的变异，在图像块和区域上的粗到细的分类器例如超像素。首先我们通过(P-ConvNet)卷积网络和近邻融合方法呈现出一个局部图像块的密集标签。然后我们描述一个局部卷积网络（R1-ConvNets）即在不同规模的缩小的区域中的围绕每一个图像超像素采集一系列边界框。（我们的卷积网络学会为每个胰腺的超像素区域分配类概率）。最后，我们利用CT强度的连接空间和P-ConvNet密度概率图学习一个堆叠的R2-ConvNets。3D的高斯去噪和2D的条件随机场用来后处理的预测。我们用4倍交叉验证评价82个病人的CT图像。我们实现了戴斯相似系数在训练时83.6±6.3%在测试时71.8±10.7%。1、引言胰腺的分割是计算机辅助诊断系统(CADx)的前提提供了器官单元的量化分析，例如糖尿病患者。精确分割对于计算机辅助诊断发现胰腺癌也是非常重要的。大量器官的CT图像的自动分割例如肝肾脏和心脏都做的很好，戴斯相似系数能达到90%以上在[1,2,3,4]中实现了。但是在实现高精度的胰腺自动分割任务中还存在很大的挑战。胰腺的形状尺寸和在腹部的位置在病人之间是多种多样的。胰脏周围的内脏脂肪和胰脏的边界在CT图像中会导致对比度的大的变化（见图3）。之前的方法报告的结果指标只有DSCs46.6%-69.1%[1,2,3,5]。最近，大量的标记数据集可用性和通过GPU的可承受的并行计算资源使训练深度卷积网络进行图像分类变得很容易。自然图像的分类的进步已经实现[6]。然而，深度卷积网络在图像的语义分割上还没有研究的很好[7]。将卷积网络用于医学图像应用也是用于很好的检测任务中[8,9]。在本文中，我们将拓展和探索卷积网络去挑战器官分割问题。2、方法 我们提出了一个逐步修剪的由粗到细的分类方案进行胰脏分割。和之前自上而下的多图集配准和标签融合方法相比较，我们的模型是从下往上解决问题：先从块状图像的密集标签到区域再到整个器官。给出一个腹部CT， 通过之前提出的基于随机森林的胰脏分割[5]的粗级联过程生成超像素区域的初始集合。这些预分割的超像素作为高敏感度但是低精度的区域候选。初始的结果DSC为平均27%。然后我们提出和评价几个卷积网络的变化进行分割细化。一个密集的局部图像块标签用轴向冠状失量面在区域上以滑动窗口的形式查找。这就产生了一个每个位置概率反应图P。一个区域卷积网络采集一系列边界框覆盖每一个图像超像素在一个缩小的多尺度空间[7,10]，同时分配胰脏组织的概率。这就意味着我们不仅近距离看超像素 ，而且会给每一个候选区域逐渐的增加范围。R2-ConvNets直接在CT强度上操作，最后利用CT强度的联合卷积特征和P概率图学习一个堆叠的R2-ConvNets。3D的高斯去噪和2D的条件随机场用来后处理的预测。我们用4倍交叉验证评价82个病人的CT图像（不是缺一验证法[1，2，3]）。我们提出的几个新卷积模型比目前最新型的方法要好测试的DSC为71.8。据我们所知，这是现有文献报告数据的最高DSC。2.1候选域生成我们描述了一种多级深度神经网络模型的从粗到细的胰腺分割方法。我们的分层分割方法将任何输入CT图像分解成一组局部图像超像素。在评价几个图像区域生成方法[11]之后，我们选择熵率从轴向切片来提取N个超像素。这个过程是基于DSC标准给出的最佳超像素标签，一部分受到PASCAL语义分割竞赛[13]的启发。最佳超像素标签实现了一个DSC的上限，并用于下面的有监督学习。接下来我们用一个两级串联的随机森林分类器[5]。我们仅仅在一个很低的类概率切0.5操作RF标签，可以达到拒绝大量的非胰腺超像素。这保留了一组低精度高召回（97%）的超像素。在初步候选生成之后，以27%的低DSC预计和观察过度分割。最优超像素标签受到超像素在DSC为80.5%的每一个像素水平捕获到正确的胰腺边界的能力限制，但是仍然比现存水平高很多[1,2,3,5]。这些超像素标签被用来评估阳性和阴性超像素例子用来训练。分配图像区域大大减少了卷积网络的观测量需要每一个CT单元和单纯的基于块的方法比较来得到更多的平衡的训练数据集。我们的多级深度卷积神经网络会有效的修剪粗糙的胰腺过度分割来提高最后DSC的测量结果。2.2卷积神经网络的搭建我们用二进制图像分类的结构的卷积神经网络。五层卷积过滤器计算和汇总图像特征。其它层是卷积神经网络的最大池化层或者由全连接神经网络组成。我们的卷积神经网络以最