基于多期相CT的肝脏肿瘤同步分割技术

整个网络的训练分为两个阶段。首先用预训练的三维残差网络进行肝脏的粗分割得到肝脏ROI（Region of Interest），以肝脏ROI所在的slice作为肿瘤分割网络的输入。该策略能够有效抑制假阳性结果的出现，也能减少整体计算时间。

多期相肝脏肿瘤分割网络（Multi-DenseUnet）结构如图所示。整个网络呈现的是“编码器-解码器”的U型经典结构。对于多期相的输入首先采用多通道的形式做收缩处理（Contracting Operation），网络包含了三个编码器用于接收NC、ART、PV三个期相的输入，并采用一个上采样分支的解码器结构。只有PV期的标签文件在训练中被使用，通过编码NC期和ART期的图像数据得到的特征信息用来补充PV期信息，从而提高PV期的分割精度。整体网络呈现的是Unet形式的结构，保留了Unet中的长距离跳跃式连接（Long Skip Connection），使得网络能够获取到更多底层高分辨率特征图的上下文信息及位置信息以达到更高精度分割的目的。

为更好地提取多尺度特征，我们移除了Trans2和Trans3中的池化步长，在DenseBlock3和DenseBlock4中采用了空洞卷积，在增大图像尺寸的同时不减小其对应的感受野大小。为了在多个尺度上获取多期相的信息，我们在PV期编码器的不同位置加入了融合层对三个期相的特征图进行融合。我们所采用的多通道编码结构对不同级别的多期相特征进行了融合。最后我们对网络的分割结果做高级形态学处理进行结果的改良作为最终的分割结果。我们将使用多期相图像多通道的Multi-DenseUnet与单期相的DenseUnet做了对比，结果如表所示。