徐鳳翎

(江蘇大學醫(yī)學院，江蘇 鎮(zhèn)江 212013)

0 引言

醫(yī)學圖像處理通常是指通過精準的醫(yī)學圖像分割技術使得病變區(qū)域或器官的變化情況能夠得到更加清晰地顯示[1]，可以為提高醫(yī)學診斷的效率和正確性提供有效的輔助[2-3]。

現(xiàn)階段的醫(yī)學圖像分割研究，針對RGB圖像居多。隨著醫(yī)學成像設備的不斷發(fā)展及其在實際應用方面的普及程度不斷提升[4]，在圖像輔助方式階段，X射線、CT(Computed Tomography，計算機斷層掃描)、NMRI(Nuclear Magnetic Resonance Imaging，核磁共振成像)在臨床的使用率逐漸提高，醫(yī)學圖像不僅在診斷疾病、評估預后情況分析階段發(fā)揮著重要價值，也間接影響著手術規(guī)劃[5]。因此，對該類圖像的分割技術進行深入研究是十分必要的。

有關研究如文獻[6]在改進核模糊聚類的基礎上，將其與邊緣保持濾波技術融合，應用到腦腫瘤圖像分割的研究中，極大程度上提高了分割的精度，但是具體的分割效果受影像質(zhì)量的影響較明顯。文獻[7]以超聲圖像為研究對象，利用特征融合的方式實現(xiàn)對邊緣引導乳腺超聲圖像的分割處理，分割結果表現(xiàn)出了較高的準確性，但是該方法同樣受圖像質(zhì)量的影響嚴重。

在上述情況下，本文提出了一種基于卷積神經(jīng)網(wǎng)絡的CT 影像邊緣分割方法，利用卷積神經(jīng)網(wǎng)絡在數(shù)據(jù)分析方面的優(yōu)勢，實現(xiàn)了對CT 影像邊緣的精準識別與分割。

1 CT影像邊緣分割方法設計

1.1 CT影像數(shù)據(jù)歸一化處理

在利用卷積神經(jīng)網(wǎng)絡對CT 影像邊緣進行分割處理時，為了保障分割的精度，在分割前對CT 影像數(shù)據(jù)進行歸一化(BatchNormation，BN)是十分必要的[8]，不僅如此，就卷積神經(jīng)網(wǎng)絡而言，該部分操作也是十分重要的組成部分之一[9]。需要特別注意的是，利用簡單的卷積對輸入CT 影像進行抽象特征信息提取時，受卷積過程的影響，會造成不同程度的特征信息丟失[10]。而通過歸一化處理的方式，可以有效緩解該問題。本文在對CT 影像數(shù)據(jù)進行歸一化處理時，將輸入CT 影像的像素信息按照高斯分布的方式進行統(tǒng)一排布，并且在具體的分布方面，遵循均值為0，方差為1的標準。在此基礎上，通過訓練迭代的方式，使得每次輸入卷積神經(jīng)網(wǎng)絡層的數(shù)據(jù)都按照相同的方式分布，在提高訓練速度的同時，減少了對不同數(shù)據(jù)冗余處理的操作。本文設置CT 影像數(shù)據(jù)批量歸一化的執(zhí)行時間為激活層前，卷積層后。假設輸入到卷積神經(jīng)網(wǎng)絡中的數(shù)據(jù)總數(shù)量為m，對應的批次為n，對應每一批次的數(shù)據(jù)為xn。那么，在經(jīng)過ReLU 后，首先需要計算該批次CT影像數(shù)據(jù)的均值和標準差，并利用其進行歸一化處理，其可以表示為

其中，表示CT 影像數(shù)據(jù)歸一化處理的結果，μ 和θ分別表示xn對應的均值和標準差。按照上述所示的方式，實現(xiàn)對CT影像數(shù)據(jù)的批量歸一化處理。

利用這樣的方式，使得卷積神經(jīng)網(wǎng)絡中每個級別輸入的數(shù)據(jù)分散類型能夠保持一致，并且卷積神經(jīng)網(wǎng)絡參數(shù)不會對網(wǎng)絡的學習過程產(chǎn)生影響。

1.2 基于卷積神經(jīng)網(wǎng)絡的CT影像邊緣分割

在完成對CT 影像數(shù)據(jù)的歸一化處理后，需要對其進行激活處理，這樣做的目的是避免后續(xù)的分割階段出現(xiàn)過擬合情況，降低邊緣像素分類的誤差。本文設計的激活方式可以表示為：

其中，r（l）表示卷積神經(jīng)網(wǎng)絡l 層對于CT 影像數(shù)據(jù)的輸出結果，f表示激活函數(shù)，w（L）表示不同卷積神經(jīng)層的連接矩陣參數(shù)，r（l-1）表示當前卷積神經(jīng)層前一層結構對于CT影像數(shù)據(jù)的輸出結果，b（l）表示卷積神經(jīng)網(wǎng)絡l層輸出單元的偏差。需要注意的是，本文設置初始層，也是就第一層卷積神經(jīng)網(wǎng)絡層的輸出結果為輸入的CT 影像數(shù)據(jù)，以此確保后續(xù)的激活運算能夠順利運轉。在此基礎上，卷積層對于CT 影像數(shù)據(jù)的處理方式主要是根據(jù)當前像素特征與目標圖像像素特征之間的差異程度實現(xiàn)的，具體的計算方式可以表示為：

其中，D(xn)表示卷積層對于CT影像數(shù)據(jù)的輸出結果，xn(t)表示輸入CT 影像數(shù)據(jù)的特征向量參數(shù)，λ表示損失參數(shù)，該值一般為常量，k 表示目標圖像像素特征向量參數(shù)。利用這樣的方式，實現(xiàn)對輸入CT 影像數(shù)據(jù)的卷積處理。在不同卷積層之間傳遞時，數(shù)據(jù)的規(guī)模逐漸減小。此時如何避免出現(xiàn)過擬合的情況是影響到最終邊緣分割效果的關鍵。為此，本文設置了閾值參數(shù)，將其作為卷積輸出的判斷標準。當卷積層對于CT 影像數(shù)據(jù)的輸出結果達到閾值范圍時，則結束計算，并將此時的像素信息作為邊緣分割的執(zhí)行基礎。其中，閾值范圍的確定以卷積層輸出數(shù)據(jù)偏差程度為基準進行設置。

按照這樣的方式，實現(xiàn)對CT影像邊緣的精準分割處理。

2 應用測試

2.1 測試數(shù)據(jù)準備

在對本文設計的基于卷積神經(jīng)網(wǎng)絡的CT 影像邊緣分割方法實際應用效果進行分析時，本文充分考慮了在實際的診療階段，CT 影像對應的目標部位不同。因此，在DRIVE 數(shù)據(jù)集上選取了不同的CT 影像作為測試數(shù)據(jù)。具體的選擇測試圖像如圖1所示。

圖1 測試CT影像

結合圖1 所示的測試CT 影像數(shù)據(jù)可以看出，6 組圖像的復雜程度以及圖像質(zhì)量均存在較為明顯的差異。利用這樣的方式，更加直觀地分析本文設計方法對于不同CT 影像的分割效果。在此基礎上，為了能夠更加客觀地對本文設計方法的測試結果，在相同的測試條件下，設置了不同的分割方法作為測試的對照。其中，具體的測試方法分別為文獻[6]提出的以邊緣保持濾波和改進核模糊聚類為基礎的圖像分割方法、文獻[7]提出的以特征融合為基礎的圖像分割方法，以及文獻[8]提出的以B-PointRend 網(wǎng)絡為基礎的圖像分割方法。通過比較不同方法對于圖像的分割效果，對本文設計方法的應用效果進行評價與分析。

2.2 評價指標設置

在對不同方法的圖像分割效果進行分析的過程中，除了對分割后的圖像進行直觀比較外，為了能夠更加精準地分析分割效果，本文設置了針對性的評價指標，分別為準確率，精確率，召回率以及MIoU（Mean Intersection over Union，均交并比）。具體計算可以表示為：

其中，Accuracy 表示影像分割結果的準確率，Precision表示影像分割結果的精確率，Recall 表示表示影像分割結果的召回率，MIoU 表示影像分割結果的MIoU值。TP 表示正確分割為目標對象的像素數(shù)量，TN 表示正確分割為背景對象的像素數(shù)量，F(xiàn)P 表示錯誤分割為目標對象的像素數(shù)量，F(xiàn)N示錯誤分割為背景對象的像素數(shù)量。

2.3 測試結果與分析

在上述測試環(huán)境的基礎上，分別對比了不同方法對于6組測試CT影像的分割效果，具體如圖2所示。

結合圖2所示的CT 影像分割效果效果可以看出，不同方法對于CT 影像的分割表現(xiàn)出了一定的差異，其中，邊緣保持濾波和改進核模糊聚類圖像分割方法、特征融合圖像分割方法以及B-PointRend 網(wǎng)絡分割后圖像均在不同程度上出現(xiàn)了邊緣缺失的情況，具體的位置包括主要集中在模糊邊緣以及細節(jié)邊緣位置。相比之下，本文設計方法分割后圖像的完整性更高。

在此上述直觀對比的基礎上，對具體的評價指標進行分析，得到的數(shù)據(jù)結果如表1，表2，表3和表4所示。

表1 改進核模糊聚類分割方法測試結果評價指標統(tǒng)計表

表2 改進核模糊聚類分割方法測試結果評價指標統(tǒng)計表

表3 B-PointRend網(wǎng)絡分割方法測試結果評價指標統(tǒng)計表

表4 本文設計分割方法測試結果評價指標統(tǒng)計表

對比表1～表4 所示的評價指標測試結果，可以看出在不同方法的測試結果中，本文設計方法對于CT影像分割的準確率始終穩(wěn)定在0.75 以上，最大值和小值分別為0.8144和0.7581；對于CT影像分割的精確率始終穩(wěn)定在0.74 以上，最大值和小值分別為0.7880 和0.7915；對于CT 影像分割的召回率始終穩(wěn)定在0.75以上，最大值和小值分別為0.7880 和0.7545；對于CT 影像分割的準確率始終穩(wěn)定在0.77 以上，最大值和小值分別為0.8243和0.7753。與對照組的三種測試方法相比，具有明顯優(yōu)勢。測試結果表明，本文設計的基于卷積神經(jīng)網(wǎng)絡的CT 影像邊緣分割方法，可以實現(xiàn)對圖像的精準分割。

3 結束語

醫(yī)生在臨床診斷的過程中，CT和其他醫(yī)療圖像已經(jīng)成為了判斷病人病情的主要依據(jù)之一。因此，精準的醫(yī)療圖像處理是很關鍵的。本文提出基于卷積神經(jīng)網(wǎng)絡的CT 影像邊緣分割方法研究，實現(xiàn)了對圖像的精準分割處理，具有良好的實際應用價值。希望本文方法能夠為同類研究提供參考。