基于级联卷积神经网络增强CT图像肾脏及肾肿瘤的定位分割研究

作者：吴倩倩; 周蕾蕾; 王思雨; 刘成友; 程龙; 田书畅; 蒋红兵^*

来源：生物医学工程研究, 2021, 40(04): 373-379.

DOI：10.19529/j.cnki.1672-6278.2021.04.06

• U-Net
• 级联网络
• 目标检测
• 语义分割
• 肾脏
• 肾肿瘤
• CT图像

针对目前增强CT图像中肾脏及肾肿瘤分割困难的问题,本研究提出一种基于级联卷积神经网络肾脏及肾肿瘤的定位分割方法。分别以Attention U-Net、Res U-Net、U-Net为基本网络结构,建立级联卷积神经网络模型。一级模型实现正常肾和肿瘤肾的定位,二级模型实现肾脏与肿瘤的精细分割。以影像医师手动勾画为金标准,通过精确度、召回率、F1得分评估定位结果,以Dice、体积相似度(volume similarity,VS)评估分割精度。由测试结果可见,一级定位模型中,U-Net的整体精确度最高为97.67;最高召回率为90.42,F1得分为90.77,均在Res U-Net中获得。二级分割模型中,级联U-Net的肾脏及肿瘤Dice(0.929)最高,级联Attention U-Net的肾脏(0.895)、肿瘤(0.764)Dice均最高。级联U-Net肾脏及肿瘤、肾脏VS最小(分别为0.085、0.016),肿瘤最优VS(0.009)在级联Attention U-Net中获得。综合全部数据集,级联U-Net模型在定位与分割中表现最佳。基于级联卷积神经网络肾脏及肾肿瘤定位分割模型可在增强CT图像中定位肿瘤肾,且可进一步实现对肾脏及肿瘤的精细分割。

• 单位
  南京医科大学; 南京市第一医院