基于深度学习的肿瘤图像分割研究取得进展

骨肉瘤是一种危害性极大的恶性骨肿瘤，骨肉瘤的主要治疗方案是新辅助放化疗以及手术切除肿瘤。精确地从骨肉瘤 CT 图形中分割出肿瘤病灶区域，对术前新辅助放化疗的计划制定，以及术后放化疗疗效果评估意义重大。然而，人工勾画肿瘤区域是一项耗时长，工作量极大的工作。此外，不同的放射科医生对肿瘤区域的勾画结果受其主观经验，环境等诸多因素的影响，其勾画结果是不可重复的。因此，临床上急需实现肿瘤区域的自动分割。

中国科学院苏州生物医学工程技术研究所医学影像室高欣、黄林、夏威等提出了一种基于多监督全卷积神经网络的骨肉瘤图像分割方法 (Multiple Supervised Fully Convolutional Networks, MSFCN)。该方法基于全卷积神经网络（Fully Convolutional Networks, FCN）的框架，在三个中间网络层添加了有监督的边输出层来指导网络学习多尺度特征，让网络同时获得图像的局部特征和全局特征。同时，在网络的上采样部分，采用了多个特征通道进行上采样，更多地保留图像中的上下文信息。最后，用一个带有权重的融合层将多个边输出层的分类结果融合，得到最终的肿瘤分割结果，并分别采用 Dice 相似性系数 (Dice Similarity Coefficient, DSC)，敏感度系数(Sensitivity)， Hammoude 距离 (Hammoude Measure, HM)以及 F1 值 ( F1-measure)对分割结果进行评价。

实验结果表明，与 FCN ， U-Net 及 Holistically-nested Edge Detection (HED)等先进算法的最佳分割结果相比，该研究提出的 MSFCN 在 DSC 系数、敏感度系数、 HM 值、 F1 系数上分别提升了6.36%，5.08%，8.68%以及4.18%。相关研究结果发表在 Computer Methods and Programs in Biomedicine 上。

图1 病灶位于骨上的骨肉瘤 CT 图像分割结果。1~4行为4个不同的样本。（a）金标准；（b）~（e）分别是 FCN，U-Net，HED，MSFCN 的分割结果。

图2 病灶位于软组织和骨上的混合型骨肉瘤 CT 图像分割结果。1~4行为4个不同的样本。（a）金标准；（b）~（e）分别是 FCN，U-Net，HED，MSFCN 的分割结果。

来源：中国科学院苏州生物医学工程技术研究所