可适应测试集的卷积神经网络在CT图像肝脏分割中的应用

李彤 郝天宇 张杉杉

摘要：肝癌是常见的恶性肿瘤疾病，肝脏自动分割算法能有效帮助医生进行诊断治疗。然而在深度学习图像分割模型中，训练数据和测试数据常常存在较大的分布差异，导致分割效果较差。因此本文开发一种可适应于测试集的卷积神经网络，用于CT图像上的肝脏分割，进而减少医生手动勾画的时间，实现辅助诊断。在 2017LiTS肝脏数据集上验证该方法的有效性，实验表明，将测试集用于训练卷积神经网络能有效提高分割精度。

关键词：CT图像;肝脏分割;可适应测试集;卷积神经网络

1 引言

肝癌是人类健康的一大威胁，其发病率正在逐年上升[1]。腹部CT图像肝脏分割和定位，有助于临床医生准确评估肝脏肿瘤。而肝脏的轮廓通常需要经验丰富的放射科医师手动勾画，其过程非常繁琐和耗时，因此，肝脏的自动分割算法研究对计算机辅助诊断至关重要。

肝脏的分割算法主要分为四类：基于区域增长[2]、基于图割[3]、基于水平集[4]、和基于深度学习[5、6]。与其他方法相比，基于深度学习的方法对人工依赖较小，并且由于其强大的提取特征的能力常常能取得更好的性能。但是在现实中，训练数据和测试数据往往存在较大的分布差异，这会严重影响模型性能。因此，本文提出一种可适应测试集的卷积神经网络用于CT图像上的肝脏自动分割。

2 方法

如图1所示，本文的整体架构包括两个网络：Teacher网络和Student网络。这两个网络都以U-Net模型[6]作为骨干，并且结构相同。具体来说，这两个网络分别包括一个编码器（Encoder）和一个解码器（Decoder）。编码器由卷积层和最大池化层组成，提取丰富的图像特征。解码器由卷积层和反卷积操作组成，进而通过Softmax函数获得肝脏分割预测结果。

训练时，将有标记的训练数据输入Student网络，无标记的测试数据输入Student网络和Teacher网络。Teacher网络的参数通过Student网络参数的移动平均（moving average）[7]更新得到，Student网络的参数通过损失函数进行梯度下降来更新。其中损失函数包括两个部分：第一部分是有监督的分割损失（Segmentation Loss），通过计算有标记的训练数据的预测结果与标签的交叉熵進行迭代;第二部分是无监督的一致性损失（Consistency Loss），用来衡量无标记的测试数据经过Student网络和Teacher网络产生的预测结果之间的相似性。由于Teacher网络的参数是从Student网络获取的，所以无论输入样本是否有标签，都可以通过测量预测结果之间的一致性来构建损失函数，保证输出结果的稳定性。

3 实验与结果

3.1 实验数据与预处理

实验采用LiTS2017 肝脏分割数据集，该数据集包括有标签的131例患者的腹部增强CT图像。将前105例患者数据作为训练集，后 26 例患者数据作为测试集。由于该数据集中的CT图像来源于多部设备，所以在数据预处理时进行图像归一化。

3.2 评价指标

Dice系数是分割网络中最常用的评价指标，用于计算样本相似度。Dice 系数公式如下所示（1）：

其中，A 代表医生标注的肝脏区域的像素点集合，B代表模型预测的肝脏区域的像素点集合。Dice取值在0到1之间，且Dice值越大表示模型预测效果越好。

3.3 实验结果

图2为肝脏的分割结果。第一列为CT原图，第二列为医生分割掩模，第三列为U-Net模型的分割结果，第四列为本实验的分割结果，可以看出将测试数据加入网络的训练过程能有效改进模型性能，使难分区域分割更准确。

为了验证方法有效性，我们将本文方法与U-Net模型在同一数据集上进行对比。如表 1 所示，U-Net模型的Dice值为0.939，而本文采用可适用于测试集的模型的Dice值为0.962，模型的精度得到了提升。

4 结束语

将测试数据用于模型的训练过程可以降低网络对不同分布数据的预测偏差，进而提升模型的分割性能。该方法具有较强的推广性，可以适用于不同的分割模型，缓解数据之间差异较大的问题。但是该方法对数据采集的时效性要求较高，因此还需要进一步优化，在分割精度上也有改进的空间。

参考文献

[1]Chen Guoyong，Zhang Jiabin，Sun Jianjun，et al.Revisiting partial hepatectomy of large hepatocellular carcinoma in older patients.Sci Rep.2018;8：14505.

[2]Baâzaoui A，Barhoumi W，Ahmed A，et al.Semi-automated segmentation of single and multiple tumors in liver CT images using entropy‐based fuzzy region growing.IRBM.2017;38：98-100.

[3]Beichel R，Bornik A，Bauer C，et al.Liver segmentation in contrast enhanced CT data using graph cuts and interactive 3D segmentation refinement methods.Med Phys.2012;39：1361-1373.

[4]Yinchun Z.Level set image segmentation based on rough set and new energy formula.Acta Automatica Sinica.2015;41：1913-1925.

[5]Ben-Cohen A，Diamant I，Klang E，et al.Fully convolutional network for liver segmentation and lesions detection.Deep Learning and Data Labeling for Medical Applications;2016;77-85.

[6]Ronneberger Olaf，PhilippFischer Thomas Brox.U-Net：Convolutional Networks for Biomedical Image Segmentation.Medical Image Computing and Computer-Assisted Intervention;2015：234-241.

[7]Tarvainen，Antti and Harri Valpola.Mean teachers are better role models：Weight-averaged consistency targets improve semi-supervised deep learning results.NIPS 2017.

第一作者簡介：李彤（1997-），女，汉，甘肃白银，硕士研究生，研究方向医学图像处理，兰州财经大学，730030。