基于改进的VNet肝脏分割方法探讨*

邓媛媛

北方民族大学计算机科学与工程学院 宁夏 银川 750021

引言

肝癌(liver cancer, LC)是临床上最常见癌症之一[1]，对患者及其家属的生活质量造成了极大威胁。目前，治疗肝癌最有效的手段是手术切除，稳定、快速和精准的肝脏分割算法已经成为业界的一大研究热点。VNet网络[2]是一种3D纯神经网络，能够充分利用3D数据的空间特征信息。但一般训练时间较长。为了节省GPU内存和计算量，同时结合层间信息。本文使用3个连续的2D图像拼接作为预训练，使用不同的两个卷积核代替常规卷积，分别提取层内信息和层间信信息。同时在跳跃连接部分加入链式残差池化模块，获得更多的特征信息。

1 本文方法

1.1 模型概述

本文提出一种改进的VNet网络，将相关切片和与它相邻的两个上下切片作为网络的输入，以中间切片作为输出结果。训练过程中使用1×3×3和3×1×1的卷积核分别用来提取层内信息和层间信息，不仅利用了医学数据的三维空间信息，而且避免了三维卷积神经网络产生的大量计算，同时缩短了训练时间。为了能充分利用高层和低层的语义信息，本文在VNet的跳跃连接部分加入两个带有池化和卷积操作的链式残差池化模块CRP（Chained Residual Polling）[3]，如图1。该网络使用1×5×5，padding为2，stride为1的卷积核进行池化操作，保证最后输出图像尺寸与原始图像尺寸一致。池化后接卷积操作，将输出的结果作为下一个池化卷积模块的输出，最后将两次得到的特征图进行融合。本实验在已有的网络模型中做了细微的调整，在每个卷积层之后加入批归一化BN（Batch Normalization, BN）和Dropout操作。使用BN层可以把每层数据转化为相同分布，使网络模型比较容易收敛，加快模型的训练过程。Dropout是一个超参数，取值范围在0～1之间，可以有效地缓解过拟合问题的发生。

图1 链式残差池化

1.2 数据集及评价指标

为了评估本文方法在肝脏分割应用中的实际效果，实验在LiTS数据集[4]上进行验证。包含130组训练数据和70组测试数据，其中70组测试数据是没有标签的。使用130例带标签的训练数据，分为100例测试和30例训练。使用精确度（Accuracy）和Dice相似系数（Dice similarity coefficient）来定量评估分割算法的性能。其中精确度（Accuracy）表示正确的数据占总数据的比例。公式为：

Dice相似系数（Dice similarity coefficient，DSC）使用分割结果与标记之间的距离来评估区间的相似度，公式为：

式中，P和N表示模型的预测结果，T和F用来判断模型的结果是否正确，FP代表假正例，FN代表假负例，TP代表真正例，TN代表真负例。

2 实验结果

本算法的精确度为0.956，DICE系数为0.823。分割结果可视化结果如图2。图像从1-3列分别为原始图像、标签图像和模型的预测结果，从图中可以看出，使用模型分割结果和专家手动分割的结果差比不大，没有差别特别突出的地方，只存在边缘的分割比较粗糙。

图2 模型在LITS数据集上的分割结果

3 结束语

本文基于医学图像分割网络模型VNet，提出了一种基于2.5D的分割网络，将连续的3张切片作为模型的输入，充分利用了3D医学数据的空间特性，并使用链式池化残差模块提取了更多的信息，以提升分割精度，并在LITS数据集上进行了实验，通过实验可以发现，本文方法可以较好地完成肝脏分割任务。但本文也存在很多的局限性，本文设计的分割方法虽然利用层间信息实现了比较好的效果，但是数据依然是2D切片，获取的三维数据的空间信息有限，未来需要对3D网络进一步研究。