摘要
肝癌是最为常见也是致死率最高的几种癌症之一，严重威胁着人们的健康。CT技术成像快，运动伪影少，因而被广泛地应用于临床中腹部器官的成像。CT成像对肝肿瘤也有较好的特异性，是在肝肿瘤的诊断和治疗中常用的成像方法。随着计算机技术的不断发展，图像引导肝肿瘤治疗已经成为发展趋势。因此，术前准确地分割图像中的肝肿瘤对手术计划有重大的意义。比起手工分割，自动化的分割方法速度更快也更少耗费人的精力。近年来，深度学习已经被广泛应用于图像分割领域。然而，由于CT图像中存在肝肿瘤与健康的肝组织灰度相似，肝肿瘤边缘较为模糊，肝肿瘤大小形状差异较大以及肝肿瘤和背景像素数量不平衡等问题，使得基于深度学习的肝肿瘤分割具有挑战性。针对上述问题，本文主要的创新点和贡献如下: 1.提出了一种新的交叉熵损失函数。通过对现有的交叉熵损失函数进行改进，我们在交叉熵损失函数上加入了加性偏移和归一化操作。新的损失函数会对不同数量的类别给予不同的偏移，这样可以解决数据中本身存在的不平衡问题。此外，在新的损失函数中，权重和特征做了归一化，从而使得网络可以专注于优化不同类别特征间的角度。 2.提出检测-分割二阶段网络精确分割肝肿瘤。检测阶段用来提取肿瘤所在的区域，从而消除了肝肿瘤以外的其他背景组织的干扰;分割阶段对候选区域内的肿瘤进行分割，从而提高了模型的鲁棒性。为了提高检测的敏感性和分割的精确性，在网络的特征金字塔中加入了注意力模块提高网络结合多尺度特征和全局上下文信息的能力。同时得益于检测网络检测能力的提升，分割网络可以获得更丰富更准确的候选区域推荐，网络分割效果得到进一步提高。
NETL