【基于深度学习的肝脾、门静脉系统三维重建分析案例1900字】

基于深度学习的肝脾、门静脉系统三维重建分析案例目录TOC\o"1-3"\h\u15524基于深度学习的肝脾、门静脉系统三维重建分析案例 163551.1研究目的 185291.2研究方法 1140521.3研究结果 41.1研究目的拟通过对人工标记重建的肝脏、脾脏及门静脉系统血管的上腹部增强CT图像进行深度学习，建立基于深度学习的肝脾、门静脉系统自动分割、三维重建的算法，从而为后续的研究奠定基础。1.2研究方法1）基于深度学习的脾脏重建由于脾脏是实质性脏器且其在上腹部增强CT图像上与周围组织界限比较清楚，所以本研究纳入在西安交通大学第二附属医院诊断为肝硬化PH且有上腹部增强CT检查患者20例，并纳入同期于我院健康查体行上腹部增强CT检查患者20例，利用Mimics17.0软件处理肝硬化PH患者及健康对照上腹部增强CT图像，通过阈值分割、区域生长、三维修剪等方法对脾脏进行人工重建，将重建的三维图作为真实结果用于深度模型训练。由于原始CT图像为DICOM格式，人工标记为Mimics17.0导出的为ZIP格式，通过编写代码实现原始数据与标记的对映。原始数据CT范围很大，约为[-1024,1889]，因此采用（WW=200,WL=40）的窗将原始数据映射归一化到0-255，从而实现对CT图像三维标准化。通过高斯噪声和随机平移变换等算法将数据进行扩增，从而能够得到更加全面、多元化数据。在此基础上采用两阶段式方案（Coarse-to-Fine方案）进行模型学习。首先进行粗分割，将512×512×N（N是数据的层数，为其在的范围多少之间）的CT数据缩放到128×128×128大小的数据体，而后应用Unet3D网络进行训练（训练loss曲线如图3-1所示），获取粗分割的模型。然后在粗分割的基础上进行3DROI（threedimensionregionofinterest）的检测，将获取到3DROI体数据缩放到128×128×128大小的数据体，接着应用Unet3D网络在3DROI内进行训练从而实现精细分割，将此分割结果作为最终的分割结果，通过ITK-Snap软件将分割结果进行可视化（具体流程见图3-2）。脾脏人工重建与深度学习自动重建可视化对比图如图3-3。图3-1深度模型训练流loss曲线图本研究另外纳入肝硬化PH患者及健康对照患者各10例，将其上腹部增强CT进行人工三维重建，将重建好的三维图用于深度模型测试，主要采用Dice相似系数（Dicesimilaritycoefficient，DSC）对深度模型进行准确性评价。DSC是一种集合相似度度量指标,通常用于计算两个样本的相似度,值的范围为0-1,分割结果最好时值为1,最差时值为0。其计算公式为（3-1）DSC＝2TP式中TP——真阳性结果；FP——假阳性结果；FN——假阴性结果图3-2深度模型训练流程图图3-3脾脏人工标记与自动标记三维可视化图注：左红色为人工标记，右绿色为自动标记2）基于深度学习的肝脏重建肝脏是人体的代谢器官，其位于右上腹部，由于肝脏内有胆管、胆囊、门静脉、肝动脉血管等在CT上一定程度上可与肝脏混淆界限。所以我们纳入在西安交通大学第二附属医院诊断为肝硬化PH且有上腹部增强CT检查患者20例及同期于我院健康查体行上腹部增强CT检查患者20例进行深度学习研究，同样利用Mimics17.0软件处理患者上腹部增强CT图像，对肝脏进行人工重建，将重建的三维图作为真实结果用于深度模型训练。肝脏深度模型训练过程基本与脾脏一致，在训练过程中以各种方式调整CT图像，以便模型能够有效地处理图像中肝脏位置、肝脏旋转角度和图像噪声量的差异。在深度模型训练完成后，本研究另外纳入肝硬化PH及健康查体患者各10例，将其CT数据作为深度模型测试集，通过Dice系数对其准确性进行评价。3）基于深度学习的门静脉系统血管重建门静脉系统是由脾静脉、肠系膜上静脉汇入门静脉形成，肝硬化时侧枝循环形成，门静脉系统血管形态复杂。本研究选取在西安交通大学第二附属医院诊断为肝硬化PH且有上腹部增强CT检查患者20例，并选取同期于我院健康查体行上腹部增强CT检查患者20例，同样利用Mimics17.0软件处理上腹部增强CT图像并对门静脉系统血管进行人工重建，将重建的三维结构图作为真实结果用于深度模型训练。门静脉深度模型训练与脾脏基本一致。在深度模型训练过程中，将原始CT数据的门静脉血管图输入到Unet3D网络中，作为扩增信息来突出门静脉系统血管结构。在深度学习训练模型完成后，本研究另外纳入肝硬化PH及健康查体患者各10例的CT图像进行门静脉系统血管手动三维重建，并将重建好的三维图用于深度模型测试，计算Dice系数进行准确性评价。1.3研究结果1）本研究建立的深度学习算法对脾脏、肝脏及门静脉系统血管重建的Dice系数不同，脾脏DSC值为0.96，肝脏为0.94，门静脉系统血管为0.80（表3-1）。表3-1深度学习模型准确性评价表项目DSC值脾脏0.96肝脏0.94门静脉系统血管0.802）与人工重建的肝脾、门静脉系统血管三维图相比，本研究建立的深度学习模型自动重建的肝脏、脾脏三维图效果良好，血管三维结构图效果较好（图3-4）。A人工重建