评价结果。结果表明，针对连贯性较差且形变各异的直肠肿瘤，Unet网络效果优于Vnet。
关键词：Unet;Vnet;分割模型;Dice评价结果
引言
近年来，人工智能与图像处理的快速发展推动了医疗影智能像诊断的变革，定义肿瘤上的影像特征在结直肠癌的临床应用中有着重要作用[1]。人工智能与医学影像的结合，已经成为医生诊断、治疗工作的一种必备手段[2]。人工智能+医学影像是计算机在医学影像的基础上，通过深度学习与大数据技术等，完成对影像的分类、目标检测、图像分割和检索工作，协助医生完成诊断、治疗工作的一种辅助工具，重点是用来提升医生看病效率和准确率[3]。
1 数据预处理
常规的CT扫描图包含内容组织过多，价值信息过少，本文将其转化为HU值图像，HU的取值与设备无关，不同范围之内的值可代表不同器官，用于突出图像的有用信息，增强图像的对比度的作用，便于后续的分割算法。
将DICOM图像中的像素值转化为CT值，直肠CT值一般在40～70 Hu之间，得到HU图像如图1所示（中间为HU图像）。
之后运用公式：
对得到的图像进行0-1归一化，再用双线性插值法进行图像缩放，减少加载内存。
2 分割模型建立
2.1 2D分割模型
首先，将所有数据存为numpy格式文件，并将所有数据进行压缩（每个样本25—30张，样本与样本之间叠加），生成一个n*512*512（或者n*128*128）的文件，在加载数据的时候从n层中任意抽取batch_size（每次训练图片个数）个图片，结合mask（二值化图像）进行U-net训练（使用二维卷积），得到分割模型。
2.2 3D分割模型
本文先将数据整理为mhd文件，将一个样本的所有dicom文件压缩成一个mhd文件每次加载batch_size个mhd，结合mask进行训练（使用三维卷积），得到分割模型。
3 模型分割结果
本文基于pytorch对上述病例图像进行分割，得出如下结果：
4 结论
本文基于对直肠癌病灶的自动分割，建立直肠癌CT影像特征与淋巴结转移情况之间的相关性模型分析。本文首先进行了数据预处理，将直肠CT影像灰度值转为以放射剂量HU显示的图像，并对其进行0-1归化，然后选取26个样本作为测试集，81个样本为训练集，分别构建二维分割网络（Unet）与三维分割网络（Vnet）模型对直肠CT影像进行肿瘤分割，得出相应的掩模图像与Dice评价结果。结果表明，针对连贯性较差且形变各异的直肠肿瘤，Unet网络效果优于Vnet，其中门脉期分割效果最优，Dice值为65.4。
参考文献
[1]魏炜，刘振宇，王硕，et al.影像组学技术研究进展及其在结直肠癌中的临床应用[J].中国生物医学工程学报，2018，37（05）：4-11.
[2]谢玉凯，卢桂馥.基于L1范数的特征提取算法研究[J].兰州文理学院学报（自然科学版），2017（5）：52-65
[3]郭树旭，马树志，李晶，张惠茅，孙长建，金兰依，刘晓鸣，刘奇楠，李雪妍.基于全卷积神经网络的肝脏CT影像分割研究[J].计算机工程与应用，2017，53（18）：126-131.
相关热词搜索： 直肠癌 淋巴结 派别 分割 深度
