9、基于深度学习技术的CT肝脏病变检测

基于深度学习技术的CT肝脏病变检测

1. 引言

CT是肿瘤患者诊断和随访中最重要的成像工具。临床医生广泛使用CT图像来检测、诊断和监测肝脏病变。肝脏中存在各种良性和恶性病变，其中转移瘤是癌症死亡的主要原因。肝脏常受转移性疾病影响，其原发部位常见于结肠、乳腺、肺、胰腺和胃等。转移性肝脏病变的数量、大小和外观差异很大，使得计算机化的肝脏病变检测成为一项具有挑战性的任务。

目前放射科医生手动分析肝脏的方式耗时且费力，尤其是对于早期检测中“难以表征”的小病变，需要更多时间和精力。近年来人工智能尤其是深度学习方法的发展，为临床实践带来了更高效准确的诊断和治疗可能，因此开发用于CT图像解读的计算工具具有很高的临床价值和经济潜力。

2. 前期工作：分割与检测的区别

自动化的计算机分析工具开始用于肝脏病变的检测、分割和表征。检测任务的目标是找到所有病变，包括非常小的病变，评估自动化检测系统性能时，需使用能同等惩罚漏检大小病变的评估指标，通常要在不增加假阳性检测的前提下提高灵敏度，实际临床中假阳性率目标一般控制在每例1 - 3个病变。

分割任务的目标是输出与专家手动绘制相似的病变分割掩码，即使漏检一两个小病变，只要大病变分割正确，仍可能获得较高的分割分数。

3. 全卷积网络（FCN）用于像素到像素的转换

FCN在不同的医学图像分割问题中得到越来越多的应用，近年来也用于肝脏肿瘤的分割和检测任务。与使用图像块的方法相比，FCN可以全局分析图像，无需选择代表性图像块、消除重叠块的冗余计算，并且能更有效地随图像分辨率扩展。通过添加链接将最终预测层与具有更精细步长的较低层相结合，还可以融合不同尺度的信息。FCN可以接受任