医学图像分割：从大脑胼胝体到肝脏及病变的自动分割方法

### 医学图像分割：从大脑胼胝体到肝脏及病变的自动分割方法 在医学影像领域，图像分割是一项关键技术，它对于疾病的准确诊断和治疗方案的制定具有重要意义。本文将介绍两种不同的自动分割方法，分别用于大脑磁共振成像（MRI）中的胼胝体分割以及腹部计算机断层扫描（CT）图像中的肝脏和病变分割。 #### 大脑MRI中胼胝体的自动分割 提出了一种用于大脑MRI中胼胝体（CC）结构分割的两阶段全自动方法，并使用从公共和内部来源收集的四个数据集进行了全面验证。 ##### 实验结果 | Method | N | MS#1 | MS#2 | MS#3 | CIS | OAS - NC | OAS - AD | | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | | Ours | 100 |.890±.088 |.899±.088 |.877±.087 |.824±.078 |.833±.062 |.780±.087 | | Ours | 200 |.934±.063 |.901±.055 |.930±.075 |.814±.092 |.850±.057 |.796±.082 | | Ours | 300 |.910±.051 |.924±.046∗ |.947±.044∗ |.860±.054∗ |.868±.058∗ |.868±.011 | | CEN | 300 |.906±.032 |.902±.031 |.932±.029 |.720±.151 |.791±.071 |.858±.131 | 从表格中可以看出，“Ours”方法在多个数据集上取得了较好的Dice分数，特别是当N = 300时，在部分数据集上的表现明显优于“CEN”方法。带有星号（∗）的结果表示与第二个竞争方法相比有显著改善（p < 0.001）。 ##### 方法优势 - 该方法能够产生优于现有无监督方法的结果。 - 提出的两阶段管道，即训练特定于感兴趣区域（ROI）的CEN，在大多数测试数据集上比非特定于ROI的CEN具有更高的准确性。 #### 腹部CT图像中肝脏和病变的自动分割 提出了一种使用级联全卷积神经网络（CFCN）和密集3D条件随机场（CRF）自动分割腹部CT图像中肝脏和病变的方法。 ##### 数据集 使用了3DIRCADb数据集进行评估，该数据集包含来自不同欧洲医院的20个静脉期增强CT体积，具有不同的CT扫描仪。选择其中包含肝肿瘤的15个体积进行2折交叉验证训练和评估模型。 ##### 方法步骤 1. **数据准备和处理** - 按切片方式进行预处理，将Hounsfield单位值窗口设置在[-100, 400]范围内，以排除无关器官和对象。 - 通过直方图均衡化增加对比度。 - 应用平移、旋转和添加高斯噪声进行数据增强，得到22,693个图像切片用于训练。 2. **级联全卷积神经网络（CFCN）** - 使用UNet架构计算软标签概率图。 - 训练第一个网络从腹部CT扫描中分割肝脏，将其作为第二个网络的ROI输入。 - 第二个网络从第一个网络预测的肝脏ROI中分割病变。 - 为了解决数据中类别不平衡的问题，在FCN的交叉熵损失函数中引入了额外的加权因子ωclass。 - 损失函数公式为： \[L = -\frac{1}{n}\sum_{i = 1}^{N}\omega_{class_i}(\hat{P}_i\log P_i+(1 - \hat{P}_i)\log(1 - P_i))\] 其中，$P_i$表示体素$i$属于前景的概率，$\hat{P}_i$表示地面真值，$\omega_{class_i}=\frac{1}{|Pixels\ of\ Class