基于深度学习的肝脏肿瘤图像分割研究.pdfVIP

摘要

肝脏是人体重要的代谢器官，而肝癌威胁健康，发病率和致死率都极高。精确地检

测分割肝脏的病变部位是治疗肝癌的重要环节，对医生的治疗经验和水平提出了较高要

求。一方面，对于不同病人的CT图像，或者是同一病人CT图像的不同扫描断层，肝

脏肿瘤的位置不固定，数目和大小也随之变化，给精确分割带来较大困难。另一方面，

CT图像的采集过程中往往伴随着噪声，并且图像中一些人体组织的边界较为模糊，对

比度低，这进一步增大了肿瘤分割的难度。由于CT图像中肝脏肿瘤的特征较不明显，

利用手工特征的算法效率较低且精度不够高，而深度神经网络具有较强的拟合能力，基

于深度学习的图像分割算法有助于提取肝脏肿瘤的更深层次特征，从而精准分割肿瘤，

因此本文提出了基于深度学习的肝脏肿瘤分割网络，所设计的算法能实现高效、自动化

的肝脏肿瘤分割，具体内容总结如下：

1.针对通道注意力在建模全局信息时会丢失细粒度信息的问题，提出了一种基于自

适应全局池化的通道注意力。该注意力对通道注意力中粗糙的全局池化做出改进，可以

为肝脏肿瘤地精细化分割保留必要的细粒度信息。该机制的核心模块是自适应全局池化，

在粗糙的全局池化中引入了改进自注意力，以提高网络对全局信息的关注，防止网络在

全局池化时丢失必要的细节信息。改进自注意力分别从x和y两个方向聚合空间全局信

息，不仅可以有效地捕获全局空间信息，还可以将计算复杂度由四次方降低为线性，极

大地降低了模型计算时间和显存占用。实验结果表明，与现有算法相比，基于自适应全

局池化的通道注意力在LiTS2017数据集上的分割性能有较大提升，且在不同分布的山

东某医院数据集和不同的基准模型上都具有较好的泛化性。

2.针对肝脏肿瘤分割任务中的多尺度建模和空间全局信息建模问题，分别提出了多

尺度注意力机制和轴向注意力机制。针对肝脏肿瘤分割任务中的多尺度问题，提出了一

种动态的多尺度注意力机制，该机制使用自适应权重的多尺度卷积，可以自适应地融合

多个尺度的感受野，提高网络的多尺度提取能力。针对空间信息的全局建模，提出了轴

向注意力机制，该机制是对自注意力机制的优化，可以有效地建模空间长期依赖关系，

捕获肝脏肿瘤图像中分布不均、复杂的特征，并大幅减少计算量及显存占用。此外，将

多尺度注意力和轴向注意力以自适应全局池化的方式进行组合，利用轴向注意力的全局

建模能力为多尺度注意力机制保留肝脏肿瘤所需的细粒度信息。复合的注意力机制称为

SAA，可以有效地提取多尺度特征和建模空间全局依赖，并在自注意力的基础上显著降

低计算复杂度和显存占用。实验结果表明，基于多重注意力机制的肝脏肿瘤分割网络在

多尺度分割和复杂背景等场景下分割性能较好，在降低计算复杂度的同时，网络性能得

到进一步提升。

3.针对模型参数利用率低、预处理模式单调和先验知识未充分利用等问题，从多个

角度对肝脏肿瘤分割模型进行优化。首先，针对模型较为臃肿，参数复杂的问题，采用

知识蒸馏对原模型进行压缩，在保证模型精度的同时，提高模型的参数利用率、运算效

率与存储效率。其次，针对预处理模式单调的问题，从预处理角度出发将手工预处理融

合进神经网络以实现全自动的、端到端的肝脏肿瘤分割，肝脏肿瘤分割对于窗位窗宽等

医学专业知识的依赖，同时也提高了网络在不同数据上的泛化性能。最后，针对肝脏先

验未充分利用的问题，在自适应预处理网络的基础上继续提出三阶段分割算法，网络在

肝脏感兴趣区域的指导下对肝脏肿瘤进行精细化分割。实验结果表明，知识蒸馏、自适

应预处理和肝脏先验知识提升了模型的运行效率和分割性能，在保证分割准确率的基础

上，降低了模型的计算复杂度和参数复杂度。

关键词：肝脏肿瘤分割、深度学习、自适应全局池化、注意力机制、三阶段分割

Abstract

Liverisanimportantmetabolicorganofhumanbody,andlivercancerproposesathreat

tohealth,withahighincidencerateandmortality.Accuratelydetectingandsegmentingthe

lesionsiteoftheliverisanimportantstepinthetreatmentoflivercancer,whichp