摘要
在中国，肝癌的发病率和死亡率常年居于高位。目前肝癌患者在治疗过程中通常通过多时相CT扫描来确定自身肝肿瘤的情况。利用计算机实现CT图像中肝肿瘤的自动分割不仅节省了手动标注需要的入力物力，还降低了人为标注过程中因主观因素造成的误标漏标风险。多时相CT扫描包括按时间顺序获得的动脉期图像、门静脉期图像和延迟期图像三期图像。其中动脉期和门静脉期图像的成像时间相近，图像中各器官组织结构相似，延迟期图像中各器官组织对比前两期差异较大。如何利用多时相CT图像信息提高肝肿瘤的分割效果是本文的研究重点。本文的主要研究工作如下: (1)针对使用单期图像分割肝肿瘤导致的肝肿瘤欠分割的情况，本文提出了一种基于语义迁移的多时相CT图像肝肿瘤分割方法。首先利用单期分割精度最高的门静脉期图像训练得到门静脉期分割网络，冻结该网络的编码器中权重，然后利用语义迁移使用动脉期图像、延迟期图像及另一机构的平扫CT图像对冻结后的网络进行微调，分别得到各自对应的分割网络。实验表明采用语义迁移可以提高分割网络的分割性能，且语义迁移在不同来源并且数据量少的CT数据上也有较好的适用性。 (2)针对门静脉期图像中肝脏对比度低以及肝肿瘤成像质量差导致的肝肿瘤分割不准确的问题，本文提出了一种基于多时相融合与双注意力机制的肝肿瘤分割模型。首先将含有肝脏及肝肿瘤底层特征的动脉期图像浅层特征和门静脉期图像浅层特征通过设计的多时相特征融合机制进行融合，对门静脉期图像特征进行补充。并且在分割网络的编码器中嵌入双注意力机制强化分割网络对肝肿瘤特征的学习。实验表明该模型有效缓解了肝肿瘤分割结果的欠分割情况，肝肿瘤的分割效果有明显提升。 (3)针对肝肿瘤分割过程中因信息损失影响肝肿瘤分割准确性的问题，本文提出了一种基于多头交叉注意力TransUNet与形状约束的肝肿瘤分割模型。首先利用两个权重共享的卷积特征提取器将动脉期和门静脉期图像映射至相同的特征空间，将得到的两种特征图输入基于Transformer结构设计的交叉注意力特征融合机制中进行融合，为分割网络补充更多肝肿瘤分割信息。再利用形状表示模型将形状约束引入网络训练中，引导网络训练的优化方向。实验表明该模型的肝肿瘤分割性能良好，分割结果的准确度明显提高。
NETL