基于半监督深度学习的肝脏CT影像分割方法研究

作     者：罗港 

作者单位：重庆师范大学 

学位级别：硕士

导师姓名：吕佳

授予年度：2023年

学科分类：12[管理学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 100106[医学-放射医学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 100602[医学-中西医结合临床] 10[医学] 

主      题：肝脏CT影像 深度学习 半监督方法 一致性正则化 不确定性估计 平均教师模型 

摘      要：肝癌是最常见的癌症之一,每年导致大量死亡。肝脏治疗方案需要准确的诊断,以评估肿瘤的大小和位置,并做出最佳的临床治疗决定。使用计算机断层扫描的医学成像是最常用的肝癌诊断成像技术,因为它提供了准确的关于人体腹部器官的解剖信息,从计算机断层扫描中分割肝脏和肿瘤是肝脏解剖可视化的重要一步。但是腹部肝脏肿瘤分布复杂,基于传统算法的肝脏肿瘤分割性能不足以满足临床要求,基于深度学习的肝脏肿瘤分割方法需要大量的有标签数据。而实际应用中肝脏肿瘤图片标签难以获取,大量标注需要依赖领域专家,费时费力。本文从肝脏及肝脏肿瘤分割中有标签数据量不足出发,结合深度学习与半监督方法,提出三种不同的肝脏和肝脏肿瘤分割方法,具体工作如下:(1)针对有标签数据不足,肝脏肿瘤病灶区域小的问题,本文提出了一种基于双任务一致性的半监督肝脏CT影像分割方法。该方法采用一个编码器,两个解码器的网络模型结构,其中编码器和一个解码器实现图像分割,与另一个解码器实现图像重建。无标签数据通过一致性分割与重建任务得到的两个不同图像背景计算损失并优化网络参数。同时在网络的编码器部分加入注意力模块以更好地获取分割区域的空间位置信息,并使用锐化操作增加无标签数据重建输出的置信度。与有监督深度学习分割方法相比,在肝脏CT影像分割的有效性和泛化性上有一定的性能提升,能有效解决数据集数量少、小病灶分割难度大的问题。(2)针对无标签数据没有正确的标签引导,直接使用无标签数据优化网络容易导致模型崩溃的问题,本文提出一种基于不确定性校正的多路径一致性半监督肝脏CT影像分割方法。该方法采用U-Net++作为分割网络,该网络可以获得一组不同路径的分割预测,并通过最小化每个路径预测与其平均值之间的差异来从无标签数据中学习。提出一种不确定性校正方法用来辅助多路径一致性正则化,使得模型关注置信度高的部分并忽视置信度较低的部分。与现有的有监督分割方法和常用半监督分割方法相比,在肝脏肿瘤分割的有效性上有一定的性能提升,并能有效解决数据集标记数量少的问题,并提高模型训练的稳定性。(3)针对肝脏肿瘤边界分割困难,模型容易误分割、漏分割的问题,本文提出一种基于不确定性估计和互一致的半监督肝脏CT影像分割方法。该方法采用平均教师模型作为基础半监督框架,分割网络采用U-Net。在U-Net最后一层增加一个输出层,使其输出两个分割结果,针对这两个分割结果,采取不同的损失更新。经过不同损失函数的两个输出可以增加模型的多样化特征,并能减少过拟合的风险并提高模型性能。并使用锐化函数生成分割伪标签,通过伪标签获得不同损失分割结果的一致性。实验结果表明,该方法对于分割肝脏CT影像边界有较好的效果。