11、深度学习在肝脏肿瘤分割中的应用

深度学习在肝脏肿瘤分割中的应用

1. 数据集与工具选择

1.1 数据集

选用的 LiTS 数据集是公开可用的，包含约 130 份来自全球各地医院数据库等多种医疗源的腹部 CT 扫描图像。这些 CT 扫描包含放射科医生对肝脏和肿瘤的注释，用于参考。为便于训练和测试，精心挑选了 760 张经过数据增强的图像作为训练 CT 扫描图像，120 张切片厚度为 0.7 - 5 毫米的图像作为测试 CT 扫描图像。数据集中有 908 个病灶，其中 63% 的轴向直径≥10 毫米。

1.2 FastAI 库

FastAI 是一个深度学习库，它让专家能够轻松访问复杂的神经网络方法，在常见的深度学习领域快速且轻松地生成高精度结果。同时，它还提供了基础方法，可组合和增强以创建新的技术。FastAI 旨在不牺牲可用性、灵活性或性能的前提下实现这些目标。它能自动对模型的输入、目标和结果进行合适的可视化。读取输入图像后，生成目标分割掩码，并使用颜色编码叠加显示掩码结果。在本次工作中，使用 FastAI 库对数据进行处理和可视化。

1.3 U - Net 架构

U - Net 模型是图像分割的常用选择。其关键在于输入不仅包含前一层的特征图，还包含相关模块，这确保了图像压缩过程中不会丢失空间信息。U - Net 是一种生物医学图像分割方法，只需少量训练样本就能处理，并能产生高精度的分割结果。它有一条缩减路径用于收集医学扫描的上下文数据，还有一条增加路径用于为每个像素添加位置相关数据并确定其位置，两条路径大致对称，形成 U 形设计。为进行肿瘤分割，对该模型的架构进行了改进，增加了结构深度，引入了更多跳跃连接和丢弃表面。

U