基于生成对抗网络的肝脏CT图像分割

作者：邓鸿; 邓雅心; 丁廷波; 严中红; 王富平; **敏^*

来源：北京生物医学工程, 2021, 40(04): 367-376.

• 生成对抗网络
• 肝脏CT图像分割
• 全卷积神经网络
• 深度学习
• 肝脏3D重建

目的从腹部计算机断层扫描(computed tomography, CT)图像中分割出肝脏区域,对于肝脏疾病早期诊断、肝脏大小估计以及3D重建十分重要,精准快速地分割出肝脏边缘成为研究要点。方法采用公开发表的肝脏肿瘤数据集为研究对象,融合生成对抗网络和Unet网络对CT图像实现肝脏的自动分割。首先将腹部CT图像输入到Unet网络进行分割预测,然后通过生成对抗网络(generative adversarial networks, GAN)进行对抗训练,使得预测结果更加接近于真实结果,同时在进行对抗训练的过程中探索了不同的距离约束函数对于分割结果的影响;预测的分割结果通过Dice分数(dice similarity coefficient, Dice)、IoU分数(intersection over union, IoU)、像素精确度(pixel accuracy, PA)、相对体积误差(relative volume difference, RVD)以及相对表面积误差(relative surface area error, RSSD)在CT-核磁健康腹部器官分割挑战数据集[combined (CT-MR) healthy abdominal organ segmentation challenge data, CHAOS]数据集上进行评价。结果 L2距离约束的Gan-Unet网络可以很好地对肝脏进行分割,其Dice、IoU和PA分别达到了94.9%、91.3%、99.4%,相比于Unet的Dice、IoU和PA为92.3%、86.7%、95.8%有明确的提升。在三维指标中,本文的方法在RVD、RSSD为0.026、0.079,相比于Unet的0.042、0.191有明显下降。结论通过对Unet网络进行生产对抗训练以及在训练过程中引入距离约束函数可以提高肝脏分割的性能,肝脏分割结果可以应用于计算机辅助诊断系统中。

• 单位
  生物工程学院; 重庆理工大学