摘要
肝肿瘤是世界卫生组织统计的危害人类健康的十大癌症之一，死亡率和危害性较大。在临床医学上，想要准确地切除肿瘤，主治医师需要获取肿瘤的相关位置、大小等重要信息，为了获得这些信息，需要医师具备丰富的临床经验并借助计算机或仪器辅助诊断。利用计算机辅助系统可以有效帮助医生进行诊断治疗，使他们更高效地完成对患者的医治。这几年来，深度神经网络广泛应用在医学图像中，但训练神经网络往往需要大量的训练图像和其对应高质量的标注数据。而标注数据一般需要有经验的专家进行手动操作，并且十分耗费时间和精力。针对上述问题，本文开展了基于半监督学习的肝脏和肝肿瘤CT的分割与三维重建研究。具体研究工作如下： （1）基于半监督的3D肝脏CT图像自动分割方法 精准分割肝脏区域是辅助诊断治疗的重要前提。然而肝脏CT图像需要专业的医师进行标注，有标签数据较少，获取途径单一。针对分割腹部肝脏CT图像需要大量高质量标签并且较难获取的问题，提出了一种使用协同训练的半监督方法。首先将有标签数据输入3D U-Net和3D Res U-Net进行有监督训练，保存训练得到的两个分割模型，在模型中加入无标注的数据进行预测，然后筛选较好的结果，再加入全连接条件随机场（Dense Conditional Random Filed，Dense CRF）处理挑选出的伪标签，细化伪标签的边缘信息，提升伪标签的精确度，最后加入到训练集中，重复上述步骤直到分割结果的Dice系数停止提升时结束训练。实验在LiTS2017 Challenge肝肿瘤数据集上进行测试，结果表明，在有标签数据集占总数据集的30%时，本文方法Dice值达到90.22%，几乎与全监督3D Res U-Net分割结果持平，说明本文半监督学习方法是有效的。 （2）基于多维网络的肝肿瘤CT图像半监督分割方法 本章提出利用有标签数据训练nnU-Net分割网络，并对无标签数据进行预测，使用条件随机场全连接模型对预测得到的未经标注的数据进行边缘细化，以提高其精确度。然后，将这些经过细化的伪标签加入到训练数据中，重复该过程直到所有未经标注的数据都被赋予了伪标签。最后将得到的肝脏预测结果转换为2D图像，再输入nnU-Net网络中得到肝肿瘤分割结果。实验在LiTS 2017 Challenge数据集上的结果表明，本文方法在有标签数据达到70%时，肝肿瘤Dice值为71.16%，对比全监督nnU-Net结果提高了2.99%。 （3）基于ITK和VTK的肝肿瘤三维重建方法 针对二维图像无法较好帮助医生观察患者病情的问题，提出了一种基于ITK和VTK的肝肿瘤三维重建研究方法，通过对图像的三维重建，重建出的模型可以直观明了地看到肝脏和肝肿瘤区域，并计算肝脏和肝肿瘤大小，医生可根据射频消融技术进行手术。实验在LiTS2017 Challenge肝脏数据集上随机挑选两例带有肝肿瘤的患者的CT图像进行三维重建，重建效果较好，能满足医生对于病情观察的需求。
NETL