基于卷积神经网络的CT影像边缘分割方法

2023-10-23徐凤翎

计算机时代 2023年10期

徐凤翎

(江苏大学医学院，江苏镇江 212013)

0 引言

医学图像处理通常是指通过精准的医学图像分割技术使得病变区域或器官的变化情况能够得到更加清晰地显示[1]，可以为提高医学诊断的效率和正确性提供有效的辅助[2-3]。

现阶段的医学图像分割研究，针对RGB图像居多。随着医学成像设备的不断发展及其在实际应用方面的普及程度不断提升[4]，在图像辅助方式阶段，X射线、CT(Computed Tomography，计算机断层扫描)、NMRI(Nuclear Magnetic Resonance Imaging，核磁共振成像)在临床的使用率逐渐提高，医学图像不仅在诊断疾病、评估预后情况分析阶段发挥着重要价值，也间接影响着手术规划[5]。因此，对该类图像的分割技术进行深入研究是十分必要的。

有关研究如文献[6]在改进核模糊聚类的基础上，将其与边缘保持滤波技术融合，应用到脑肿瘤图像分割的研究中，极大程度上提高了分割的精度，但是具体的分割效果受影像质量的影响较明显。文献[7]以超声图像为研究对象，利用特征融合的方式实现对边缘引导乳腺超声图像的分割处理，分割结果表现出了较高的准确性，但是该方法同样受图像质量的影响严重。

在上述情况下，本文提出了一种基于卷积神经网络的CT 影像边缘分割方法，利用卷积神经网络在数据分析方面的优势，实现了对CT 影像边缘的精准识别与分割。

1 CT影像边缘分割方法设计

1.1 CT影像数据归一化处理

在利用卷积神经网络对CT 影像边缘进行分割处理时，为了保障分割的精度，在分割前对CT 影像数据进行归一化(BatchNormation，BN)是十分必要的[8]，不仅如此，就卷积神经网络而言，该部分操作也是十分重要的组成部分之一[9]。需要特别注意的是，利用简单的卷积对输入CT 影像进行抽象特征信息提取时，受卷积过程的影响，会造成不同程度的特征信息丢失[10]。而通过归一化处理的方式，可以有效缓解该问题。本文在对CT 影像数据进行归一化处理时，将输入CT 影像的像素信息按照高斯分布的方式进行统一排布，并且在具体的分布方面，遵循均值为0，方差为1的标准。在此基础上，通过训练迭代的方式，使得每次输入卷积神经网络层的数据都按照相同的方式分布，在提高训练速度的同时，减少了对不同数据冗余处理的操作。本文设置CT 影像数据批量归一化的执行时间为激活层前，卷积层后。假设输入到卷积神经网络中的数据总数量为m，对应的批次为n，对应每一批次的数据为xn。那么，在经过ReLU 后，首先需要计算该批次CT影像数据的均值和标准差，并利用其进行归一化处理，其可以表示为

其中，表示CT 影像数据归一化处理的结果，μ 和θ分别表示xn对应的均值和标准差。按照上述所示的方式，实现对CT影像数据的批量归一化处理。

利用这样的方式，使得卷积神经网络中每个级别输入的数据分散类型能够保持一致，并且卷积神经网络参数不会对网络的学习过程产生影响。

1.2 基于卷积神经网络的CT影像边缘分割

在完成对CT 影像数据的归一化处理后，需要对其进行激活处理，这样做的目的是避免后续的分割阶段出现过拟合情况，降低边缘像素分类的误差。本文设计的激活方式可以表示为：

其中，r（l）表示卷积神经网络l 层对于CT 影像数据的输出结果，f表示激活函数，w（L）表示不同卷积神经层的连接矩阵参数，r（l-1）表示当前卷积神经层前一层结构对于CT影像数据的输出结果，b（l）表示卷积神经网络l层输出单元的偏差。需要注意的是，本文设置初始层，也是就第一层卷积神经网络层的输出结果为输入的CT 影像数据，以此确保后续的激活运算能够顺利运转。在此基础上，卷积层对于CT 影像数据的处理方式主要是根据当前像素特征与目标图像像素特征之间的差异程度实现的，具体的计算方式可以表示为：

其中，D(xn)表示卷积层对于CT影像数据的输出结果，xn(t)表示输入CT 影像数据的特征向量参数，λ表示损失参数，该值一般为常量，k 表示目标图像像素特征向量参数。利用这样的方式，实现对输入CT 影像数据的卷积处理。在不同卷积层之间传递时，数据的规模逐渐减小。此时如何避免出现过拟合的情况是影响到最终边缘分割效果的关键。为此，本文设置了阈值参数，将其作为卷积输出的判断标准。当卷积层对于CT 影像数据的输出结果达到阈值范围时，则结束计算，并将此时的像素信息作为边缘分割的执行基础。其中，阈值范围的确定以卷积层输出数据偏差程度为基准进行设置。

按照这样的方式，实现对CT影像边缘的精准分割处理。

2 应用测试

2.1 测试数据准备

在对本文设计的基于卷积神经网络的CT 影像边缘分割方法实际应用效果进行分析时，本文充分考虑了在实际的诊疗阶段，CT 影像对应的目标部位不同。因此，在DRIVE 数据集上选取了不同的CT 影像作为测试数据。具体的选择测试图像如图1所示。

图1 测试CT影像

结合图1 所示的测试CT 影像数据可以看出，6 组图像的复杂程度以及图像质量均存在较为明显的差异。利用这样的方式，更加直观地分析本文设计方法对于不同CT 影像的分割效果。在此基础上，为了能够更加客观地对本文设计方法的测试结果，在相同的测试条件下，设置了不同的分割方法作为测试的对照。其中，具体的测试方法分别为文献[6]提出的以边缘保持滤波和改进核模糊聚类为基础的图像分割方法、文献[7]提出的以特征融合为基础的图像分割方法，以及文献[8]提出的以B-PointRend 网络为基础的图像分割方法。通过比较不同方法对于图像的分割效果，对本文设计方法的应用效果进行评价与分析。

2.2 评价指标设置

在对不同方法的图像分割效果进行分析的过程中，除了对分割后的图像进行直观比较外，为了能够更加精准地分析分割效果，本文设置了针对性的评价指标，分别为准确率，精确率，召回率以及MIoU（Mean Intersection over Union，均交并比）。具体计算可以表示为：

其中，Accuracy 表示影像分割结果的准确率，Precision表示影像分割结果的精确率，Recall 表示表示影像分割结果的召回率，MIoU 表示影像分割结果的MIoU值。TP 表示正确分割为目标对象的像素数量，TN 表示正确分割为背景对象的像素数量，FP 表示错误分割为目标对象的像素数量，FN示错误分割为背景对象的像素数量。

2.3 测试结果与分析

在上述测试环境的基础上，分别对比了不同方法对于6组测试CT影像的分割效果，具体如图2所示。

结合图2所示的CT 影像分割效果效果可以看出，不同方法对于CT 影像的分割表现出了一定的差异，其中，边缘保持滤波和改进核模糊聚类图像分割方法、特征融合图像分割方法以及B-PointRend 网络分割后图像均在不同程度上出现了边缘缺失的情况，具体的位置包括主要集中在模糊边缘以及细节边缘位置。相比之下，本文设计方法分割后图像的完整性更高。

在此上述直观对比的基础上，对具体的评价指标进行分析，得到的数据结果如表1，表2，表3和表4所示。

表1 改进核模糊聚类分割方法测试结果评价指标统计表

表2 改进核模糊聚类分割方法测试结果评价指标统计表

表3 B-PointRend网络分割方法测试结果评价指标统计表

表4 本文设计分割方法测试结果评价指标统计表

对比表1～表4 所示的评价指标测试结果，可以看出在不同方法的测试结果中，本文设计方法对于CT影像分割的准确率始终稳定在0.75 以上，最大值和小值分别为0.8144和0.7581；对于CT影像分割的精确率始终稳定在0.74 以上，最大值和小值分别为0.7880 和0.7915；对于CT 影像分割的召回率始终稳定在0.75以上，最大值和小值分别为0.7880 和0.7545；对于CT 影像分割的准确率始终稳定在0.77 以上，最大值和小值分别为0.8243和0.7753。与对照组的三种测试方法相比，具有明显优势。测试结果表明，本文设计的基于卷积神经网络的CT 影像边缘分割方法，可以实现对图像的精准分割。