深度学习的肝脏分割论文笔记

1、基于深度学习和全局优化曲面进化的肝脏三维自动分割

解决问题：由于复杂的背景、模糊的边界、异质的外观和高度变化的肝脏形状，自动准确的分割，特别是肝脏检测仍然是一个挑战。
**提出方法：**提出了一种基于三维卷积神经网络（CNN）和全局优化曲面演化的自动分割框架。
首先，训练一个深三维CNN来学习特定对象的肝脏概率图，该概率图给出初始曲面，并在接下来的分割步骤中充当形状先验。
然后，将先验分割得到的全局和局部外观信息自适应地融合到分割模型中，以曲面进化的方式对分割模型进行全局优化。
该方法已在来自公共Sliver07数据库和当地医院的42幅CT图像上得到验证。在Sliver07在线测试集上，该方法的总分为±80.34.5，平均骰子相似度为±97.25±0.65%，平均对称面距离为±0.84±0.25 mm。定量验证和比较表明，该方法准确、有效。

      主要贡献有两方面。首先，提出了一个新的数据项，以自适应地融合来自初始分割的全局和局部统计信息。在健康肝脏区域，全局估计用于了解强度分布和区域外观，而在异常肝脏区域，局部非参数估计（Brox和Cremers 2009）有助于捕获异常肝脏信息。利用该策略，该模型不仅可以成功地处理健康肝脏，而且可以处理外观不均匀、形状变化大的不健康肝脏。其次，采用基于全局优化的方法（Y uan等人2012）最小化所提出的能量函数，该方法能够在每次迭代中将曲面传播到其最佳位置。

本文提出了一种基于三维CNN和全局优化曲面进化的快速肝脏自动分割方法。该方法可解决肝脏形态不均、变异大等问题。为了自动检测肝脏，我们训练了一个3D CNN来有效地学习特定于受试者的肝脏概率图。然后，对概率图进行阈值化，为后续的分割步骤提供初始分割和形状先验。在初始分割的情况下，精确肝脏分割的最大挑战之一是由于肝内静脉和肝脏病理的存在而导致的外观不均匀。为了解决这一问题，我们提出通过从初始分割中同时考虑全局和局部统计信息来学习不同肝脏亚区的多强度分布和表现。提出的能量函数以表面进化的方式进行全局优化。与基于CNN的方法（3D CNN-GC（Lu et al 2015））相比，我们的方法更能处理具有肿瘤或较大形状变化的疑难病例。相比之下，3D CNN-GC倾向于在只有全局先验信息的情况下分割肝脏。对两个独立数据库的验证表明，该方法对肝脏的检测和分割是准确和稳健的。

提出了一种从三维CT图像中检测和描绘肝脏表面的全自动方法。定量验证和比较表明，该方法准确、高效，可用于临床实践。该方法的一个优点是可以克服不健康肝脏外观异质性的挑战。由于没有对特定器官的位置、形状和外观等进行假设，因此该方法可以推广到其他器官和多器官分割，这是我们今后的工作。尽管取得了很好的效果，但是分割框架可以通过以下方式进一步改进。在测试阶段，大部分计算时间（近80%）都花在了Matlab中的数据项计算上。充分利用C++实现的并行算法，进一步提高计算效率。

Hu P , Wu F , Peng J , et al. Automatic 3D liver segmentation based on deep learning and globally optimized surface evolution[J]. Physics in Medicine & Biology, 2016, 61(24):8676-8698.