11、深度学习在肝癌诊断中的应用：基于U-Net与ResNet34的肝脏肿瘤分割模型

深度学习在肝癌诊断中的应用：基于U-Net与ResNet34的肝脏肿瘤分割模型

1. 数据集

使用的LiTS数据集是公开可用的，包含约130份来自世界各地医院数据库等多种医疗来源的腹部CT扫描。这些CT扫描带有放射科医生对肝脏和肿瘤的标注，可作为参考。为便于训练和测试，将760张经过数据增强的图像作为训练CT扫描，120张切片厚度为0.7 - 5mm的图像作为测试CT扫描。数据集中有908个病灶，其中63%的轴向直径≥10mm。

2. FastAI库

FastAI是一个深度学习库，它让专家能够快速、轻松地使用复杂的神经网络方法，在常见的深度学习领域生成高精度的结果。同时，它还提供了一些基础方法，这些方法可以组合和增强以创建新的技术。该库旨在不牺牲可用性、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，生成目标分割掩码，并使用颜色编码的叠加层显示掩码结果。在本次工作中，使用FastAI库来处理数据并进行适当的可视化。

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有前一层的特征图，还有相关模块，这确保了图像压缩时不会丢失空间信息。它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。U-Net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。为了进行肿瘤分割，对该模型的架构进行了修改和改进，增加了结构深度，引入了更多跳跃连接和丢弃表面。

U-Net是一种编码 - 解码网络设计，缩减路径（编码器部分，左侧）会缩小输入图像的长度