摘要: 肾癌是一种发病率和死亡率都非常高的恶性肿瘤，早期进行癌症筛查可以提高癌症患者的生存机率。CT扫描是临床诊断肾癌最重要的方法，可以定性诊断大部分肾脏肿瘤。肾脏和肾脏肿瘤地准确划分对临床医生在疾病的诊断和手术的规划中起着极其重要的指导性... 展开 肾癌是一种发病率和死亡率都非常高的恶性肿瘤，早期进行癌症筛查可以提高癌症患者的生存机率。CT扫描是临床诊断肾癌最重要的方法，可以定性诊断大部分肾脏肿瘤。肾脏和肾脏肿瘤地准确划分对临床医生在疾病的诊断和手术的规划中起着极其重要的指导性作用。手动分割肾脏和肾脏肿瘤会给医生带来巨大负担，且受医生的主观因素影响。每个肾脏和肾脏肿瘤都有着不同的形态，肾脏肿瘤的病理特性也各不相同，传统的图像分割方法适用范围有限。生物医学图像大多数是三维数据，面向三维数据的卷积神经网络充分利用医学图像切片之间的关联信息，在医学图像分割任务中取得优异的表现。 因为以上原因，本论文将深度学习方法应用到肾癌的诊断当中，通过三维卷积神经网络对肾脏和肾脏肿瘤进行自动分割。本文的主要内容如下： （1）介绍实验中使用的数据集。因为数据集较小，有限的数据提取的信息是有限的。所以对CT图像通过水平翻转、添加噪声和重复采样包含肾脏和肾脏肿瘤的区域进行训练数据增强，增加训练数据的多样性。 （2）使用三维卷积神经网络3D-Unet和V-Net实现肾脏和肾脏肿瘤同时分割，同时实现肾脏分割和肾脏肿瘤分割即多任务学习可以提高效率。但因为不同的任务有不同的学习难度和收敛速度，随着训练的进行，任务之间有时会不再使对方受益。因此提出二标签分割肾脏和二标签分割肾脏肿瘤方法。实验结果表明提出的方法在此数据集上分割效果更好。 （3）使用深度可分离卷积替换V-Net网络模型中特定位置的常规卷积，在基本不改变分割效果的前提下大幅度减少网络模型的参数量。引入混合卷积核，将堆叠的小卷积核和大卷积核以类似于Inception结构结合起来，增强模型的信息提取能力。 （4）本文引入注意力机制，将通道域注意力机制SENet和混合域注意力机制CBAM添加到网络模型的每一个阶段中。发现添加SE模块和CBAM并没有提升分割效果，对SE模块和CBAM进行改进，通过实验证明添加改进SE模块的网络模型和添加改进CBAM的网络模型有效提高分割效果。 收起