基于深度学习的胰腺分割方法研究

纪建兵 姚剑敏

摘要：为解决CT图像中胰腺组织自动分割难题，提出基于深度学习的分割方法;对图像数据进行预处理，采用Dice损失函数及Sgdm梯度下降法来训练网络;以Medical Segmentation Decathlon公开数据集进行实验，实验平均分割准确率为0.8469;结果表明，分割算法达到了较高的准确率。

关键词：深度学习;胰腺;分割

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2020）01-0065-02

0 引言

从CT断层扫描图像中分割出胰腺区域并进行三维成像，对于准确制定手术方案具有重要作用。因胰腺组织在图像上无明显特征，与相邻的器官的像素极为相似，且不同人的形状、大小和位置均不一致，自动分割具有很大挑战性。2013年Wang Xin[1]等人提出基于统计模型的胰腺分割算法，该法仅适用于正常胰腺的分割。近年来，深度学习网络在图像自动分割领域展现出了巨大优势，研究以Vnet[2]深度学习网络为基础对胰腺進行全自动体分割，输出分割的三维二值矩阵可用于三维可视化。

1 Vnet

Vnet是三维全卷积网络，成左右对称结构。左半部分为下采样，即特征提取过程，由卷积单元和卷积池化层组成，层数为5层，每一层包含1-3个卷积单元，通道数从16按倍数增加至256。右半部分为上采样，即特征重构过程，由反卷积层和卷积单元组成，层数为4层，卷积单元及通道数与左侧对称。卷积单元用于提取图像特征，卷积池化用于数据降维，反卷积用于恢复图像尺寸。

卷积单元由Conv-BN-PReLU组成。Conv为卷积，本文使用了步长s为1的5x5x5卷积核和步长s为2的2x2x2的卷积核，两组卷积核均使用Same方式填充，当数据经过下采样过程步长2的2x2x2卷积核的卷积单元时，其分辨率会降低一半，生成映射大小减半的更深层次的特征;BN（数据批量归一化）将数据转换为服从的标准正态分布，目的在于加快收敛速度;PReLU（带参数的线性整流函数）为激活函数，输出关系为：

a为由网络反馈时自动计算的小常数，在保留小于0信息的同时又达到了激活函数的目的。

反卷积单元由DConv-BN-PReLU组成。上采样过程中数据与步长2的2x2x2卷积核进行反卷积时，其分辨率会增加一倍，图像尺寸得到恢复。

Pool（卷积池化）是以卷积方式对特征降维，降维后的尺寸关系为：其中，B为卷积层输出，k为池化卷积核尺寸，p为填充值，s为步长。

网络预测由两个与原始输入具有相同分辨率的体素组成，通过Softmax回归模型输出每个体素被划分为背景区域与目标区域的概率。

2 胰腺分割

2.1 算法流程

首先，对数据集进行预处理，将预处理后的图像数据以随机方式划分为训练集和验证集，训练集用于网络训练。其次，运用已训练网络对验证集进行预测分割，对分割结果进行后处理。

2.2 预处理

数据集的构成由CT图像序列及二值标签序列组成，首先将CT序列及标签序列分别组成三维矩阵，再根据标签体尺寸对xyz三个方向进行64像素外扩并裁减至8的倍数的分辨率;将各片层中灰度值减去灰阶均值后除以灰阶标准差后执行归一化。

2.3 训练网络

使用Dice损失函数描述分割准确度，即两个集合之间的差异程度。设为算法分割结果的三维矩阵，为真实二值标记三维矩阵，则Dice定义如下：网络训练的目标在于寻找损失函数的最小值以达到最优分割，通过梯度下降一步步迭代求解，得到最小化的损失函数。目前较常用的梯度下降算法是SGD（随机梯度下降算法），本文使用SGDM（带动量的随机梯度下降）[3]进行求解，该法在更新梯度向量之前增加前一次的更新向量，在相同方向上进行速度累加，不同的方向上速度减小，从而达到加快收敛速度的目的。

2.4 分割及后处理

将测试集输入已训练网络并对输入进行网络分割，输出与输入相同尺寸的三维二值矩阵，采用形态学闭运算进行后处理。

3 实验

Medical Segmentation Decathlon公开数据集中共有281例有效腹部CT数据以及胰腺二值真实标记，可用于算法的训练和测试[4]。实验的平均分割准确度为0.8469。随机从测试集中抽取了一例CT数据并随机选择一个切片，对比结果如图1所示，分割结果和标记基本相同。

4 结语

本文提出基于深度学习的胰腺分割方法，利用公开数据集进行验证，实验结果表明算法具有较高的准确度，且系统结构较为简单，易于实现。因胰腺的个体差异较大导致网络在预测分割时仍存在一定的不确定性，分割准确度的提高需要有更多的训练数据支撑，构建更大量级的有效训练数据将是下一阶段研究的重点。

参考文献

[1] WANG Xin.Research and implem entation on pancreas segmentation methods based on statistical model[D].Shenyang City：Northeastern University，2013.

[2] MILLETARI F，NAVAB N，AHMADI S.V-Net：fully convolutional neural networks for volumetric medical image segmentation[C].Proceedings of the 4th International Conference on 3D Vision. Piscateway，NJ：IEEE，2016：565-571.

[3] 常永虎，李虎阳.基于梯度的优化算法研究[J].现代计算机，2019（17）：3-8.

[4] TIAN Xuan，WANG Liang，DING Qi.Review of image semantic segmentation based on deep learning[J].Journal of Software，2019，30（2）：440-468.