导　　师： 黄炳升;冯仕庭

授予学位： 硕士

作　　者： ;

机构地区： 深圳大学

摘　　要： 肝细胞癌(Hepatocellular Carcinoma,HCC)是世界上致死率最高的常见癌症之一。在HCC治疗的过程中,基于医学影像的病变区的精准分割对肿瘤边界的划定以及肿瘤体积的测量非常重要。磁共振成像(Magnetic Resonance Imaging,MRI)由于其无创性和软组织分辨率高等优点已成为主要的HCC影像学检查手段。多种参数的MRI图像可以从不同角度反映肿瘤信息,相互结合能够更精准的识别肿瘤。临床上,一般通过医生手动勾画完成HCC肿瘤分割,繁琐且耗时,易因医生诊断经验不同造成主观差异。近年来,机器学习尤其是深度学习技术在医学图像处理领域取得了重大突破。深度学习算法可以自主学习肿瘤特征,挖掘潜在的高维语义信息,达到肿瘤自动识别、分割的目的。因此,我们首创性地将深度学习应用到基于多参数MRI的HCC肿瘤分割领域,利用多种MRI图像分割的肿瘤结果构建多输入模式的深度网络,以准确、快速、客观地进行HCC肿瘤分割。为研究不同的图像输入对HCC肿瘤分割效果的影响,我们提出了基于单参数MRI和多参数MRI的两种分割思路。首先,我们根据临床医生的经验,使用基于Gd-EOB-DTPA显影剂的增强MRI(简称EOB)图像,提出基于深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的分割方案。针对小肿瘤识别率低的问题,我们改进深度网络架构保留图像空间分辨率,保留图像中小肿瘤空间尺度信息。我们共采集了51个患者的EOB数据,并基于留一法完成交叉验证。基于患者个体计算的平均Dice系数(Dice’s Coefficient,DSC)达到0.722,平均Sensitivity达到0.708,平均Precision达到0.792,相比已有研究提升较大。其次,我们采用EOB图像和门静脉期(简称Portal)两种参数MRI图像,基于深度融合网络(Deep Fused Network,DFN)完成融合,进行HCC肿瘤的分割。目的是通过不同MRI图像信息互补,改善基于单参数MRI图像的DCNN分割方法�

关 键 词： 肝细胞癌 多参数磁共振成像 深度学习 分割

领　　域： [] []