基于深度神经网络的乳腺癌病灶分割系统的研究开发

2020-06-08徐夏俊姜雨凯

电脑知识与技术 2020年10期

徐夏俊姜雨凯

摘要：病灶分割是一种常应用于医疗图像中针对病灶区域的识别技术。图像分割技术在早期主要采用的是传统方式，但是识别不够准确，且效率较低，不能够满足当前医疗上的要求。该文利用基于V-Net技术设计一套磁共振图像乳腺癌病灶的分割系统，通过上传三维图像，自动检测肿瘤区域，用来作为辅助医生判断的一种手段，满足当前医学领域的实际要求。

关键词：深度学习;图像分割;医学图像;乳腺癌;V-Net网络

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2020）10-0208-02

随着医疗技术的不断发展，采用图像分割找出病灶区域已经成为一个非常值得关注的话题。目前国内患乳腺癌病人人数每天都在不断地增加，并且呈年轻化趋势发展，为了减少医生的负担，提高诊断效率，需要一种高效率、全天候、稳定的辅助医生诊断的技术。

近年来深度学习被广泛应用，并在图像分割上有着不错的发展。全卷积网络FCN的提出，打开了端到端模型的先河;Ronneberger等人将FCN和ResNet结合，提出了U-Net网络框架，提高了在医学领域上的病灶分割效果;Milletari等人提出了改进型U-Net，名为V-Net，使用了Dice损失函数，更适用于医学图像上的病灶分割。

本文以V-Net神经网络为基础来实现一套磁共振图像乳腺癌病灶分割系统。从实验得出证明，该系统可以满足实际需要。

1基于V-Net的MRI乳腺癌病灶分割系统设计

在乳腺癌病灶分割系统中主要包括图像采集和标记、三维图像预处理、病灶区域特征提取和病灶区域预测这四个过程。系统的大致思路流程如圖1所示：

1.1图像采集和标记

从某医院获取相应的病人MR图像，并与医生配合，对病人图像进行精准分割。根据医生的经验判断，使用ITK-SNAP工具对病灶区域进行定点标记。

1.2三维图像的预处理

首先需要局部切割，从原三维图像中找到标记的病灶区域，计算其病灶区域的中心位置，再以中心点向外制作一个大小为128x128x64的三维矩阵，保证病灶区域完整的覆盖，然后将其进行裁剪，最后在此基础上将其缩放至符合V-Net网络的标准。针对测试图像，则是利用乳腺的对称性选取符合的中心点作为切割的中心位置来进行切割。

1.3病灶区域特征提取

三维图像经过预处理后的规格为64x64x32，将其送入V-Net模型中提取特征。整个V-Net的网络结构如图2所示。

使用V-Net模型作为该实验研究的基础算法模型，原因在于它有着非常成熟的分割架构，加入了跳层思想，摒弃了全连接层，且采用三维卷积核处理3D图像。

V-Net网络主要采用的均是5x5x5的卷积核，并且在卷积层内部使用级联操作，弥补特征不足，缓解梯度消失。池化层使用2x2x2的卷积核、步长为2进行缩放，摒弃了全连接层，反卷积通过矩阵转置运算操作将特征图进行扩大，最后利用soft-max层将体素转换为前景区域和背景区域的概率分割图达到端到端的效果。

整个网络模型的训练使用的是Dice损失函数，在针对二分类的问题上有着很好的效果。Dice系数计算公式如下：

式（1）中：N表示体素块的数量，pi表示网络的预测结果，毋表示对应数据的真实结果。

1.4病灶区域预测

三维医学图像在经过V-Net网络提取特征后，得到了包含乳腺癌病灶区域特征的模型，利用训练好的模型对测试样本进行分割。

在得出分割的三维预测图像后，查看乳腺癌病灶区域分割位置，计算真实图像和预测图像之间的相似度，并根据不同的评价指标来判断预测效果。

2实验结果评估和分析

2.1实验数据

实验中采集了30个病人的图像数据，每位病人挑选了1期、2期、4期和6期，1期为未增强的图像数据，2期、4期和6期分别是在打药增强后的每隔一分钟扫描的图像数据，其中18位病人为训练集，12位病人为测试集。

2.2评估指标

为了评估分割效果，采用四种常见的评价指标，分别是Dice相似性系数（DsC）、Hausdorff距离系数、VOE系数和RVD系数。评价指标公式如下：

2.3结果与分析

图3是乳腺癌病灶分割的结果，从图中可以看出，V-Net的自动分割的结果和ground truth之间相似度很高。