本文是一篇计算机论文范文，本文提出了膨胀级联的方法，使用特定卷积核在级联中间层的张量上实现膨胀效果。为了提高模型在胆囊上的分割效果，方法引入了多种损失函数联合训练的策略。
第一章 绪论
1.1 研究背景与意义
随着计算机科学的快速发展，计算机辅助功能已然成为医疗诊断领域的一大发展趋势。特别是近年来人工智能的兴起，为计算机辅助医疗技术带来了创新的发展方向，涌现出诸如自动诊断、辅助诊断等创新技术。当前，计算机断层扫描（Computed Tomography，CT）、核磁共振成像（Nuclear Magnetic Resonance Imaging，MRI）、超声波检查等成像技术在呈现人体器官结构方面的应用已相当普遍。将先进的图像处理技术应用于这些医学图像上是推动计算机辅助诊疗技术发展与普及的关键。与传统诊疗中依靠医生肉眼审视影像片进行诊断相比，医学图像的自动化处理能显著减轻医生的工作负担，尤其是在医疗资源紧张的情况下，能够大幅提高诊断的准确率。正因如此，越来越多的研究者正在深入研究基于人工智能的图像处理技术在计算机辅助诊断领域的潜在应用。
医学图像器官分割在医学图像分析领域占有重要地位，其准确性对诊断结果具有重大影响。医学图像分割的主要任务是精确地描绘出待分析器官的轮廓，将其与周围组织区分开来，消除相邻区域的干扰，以便于进一步研究和治疗的应用。除了作为图像分析的基础工具，医学图像分割还对三维重建和手术规划提供了关键支持。它在临床诊断、病理学分析和治疗规划等多个方面扮演着重要角色。然而，器官间的相似性和边界的模糊性等问题，令分割任务充满挑战。尽管手动勾画方法能够提供较高的精确度，但其所需的时间和人力成本极高，而且对操作者的专业能力有一定要求。因此，自动化的像素级器官分割技术成为解决这一难题的关键，旨在提升处理效率并减少人力资源的投入。
1.2 国内外研究现状
1.2.1 基于传统算法的医学图像分割方法
基于传统图像处理的分割方法包括阈值法、图割法、区域生长法等。 阈值法是一种经典的图像分割方法，其基本思想是根据图像灰度值分布的特点，选取一个或多个阈值，将图像像素分为不同的类别。阈值法具有实现简单、计算量小，速度快等优点，适用于目标和背景灰度值差异较大的图像。但阈值法也存在对图像的噪声和亮度变化敏感、难以选择合适的阈值等问题。Sangeeta等人[4]提出了一种基于阈值法的肝脏分割方法，该方法通过中值滤波器降低CT图像噪声，然后通过图像直方图的斜率差分布（SDD）自动获取阈值，最后利用快速行进法（FMM）从CT扫描图像中找出肝脏边界。
图割法是一种基于图论的图像分割技术，其核心思想是将图像分割问题转化为图的最小割（Minimum Cut）问题，通过计算图的最大流（Maximum Flow）来找到最优分割。在图割法中，图像被表示为图，图中的节点代表图像中的像素，边代表像素之间的关系，通过给图的节点和边分配权重，图割法可以根据像素之间的相似性和连接性来进行分割。Thanongchai等人[5]提出了一种名为金字塔图割的灰度医学图像分割方法，它将图像转化为一种金字塔形状的图结构，使用多层连接的结构保存节点的强度信息和节点之间的梯度信息，最后根据这些信息进行最小割，形成分割结果。
第二章 医学图像分割相关理论和技术
2.1 CT图像相关知识
2.1.1 CT图像成像原理
CT成像技术，全称计算机断层扫描技术（Computed Tomography），是目前常用的一种医学影像技术，能够提供关于人体内部结构的详细横截面图像，因其高分辨率、快速成像能力和高度自动化的特点，被广泛用于医学诊断。CT扫描过程中使用X射线发射器和接收器围绕患者进行旋转，X射线从不同的角度穿透身体，被身体各种组织不同程度地吸收后发生衰减。衰减后的X射线被接收器捕捉，转换成电信号，这些信号经过处理后可以重建成图像。在图像中，X射线的衰减程度体现为不同的灰度值。一般来说，结构越密集（如骨骼），衰减越强，灰度值越高，显示区域就越白；相反，密度较低的结构（如空气）衰减较弱，显示的区域就越黑。
2.1.2 CT图像预处理方法
CT图像上的灰度值以HU（Hounsfield Unit）为单位，分布范围极广。水的HU值为0，以水为基准，人体的骨组织吸收 X 射线的能力最强，其吸收系数为+1000HU，而空气吸收系数最小，为-1000HU。因此人体 CT 值范围在-1000HU 至 1000HU 之间，详细数值参考表2-1。
2.2 卷积神经网络相关理论基础
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于图像处理、分类、检测等计算机视觉任务。CNN模仿生物视觉系统的工作方式，通过逐层处理图像数据来提取特征，并进行分类或其他任务。
（1）卷积层
卷积层是构成卷积神经网络的基础。卷积的过程可以理解为特征提取的过程，不同于传统图像处理技术中基于明确属性如灰度或纹理的特征提取，卷积层通过卷积核来动态学习并产出针对特定任务优化的特征图，其计算过程如图2-3所示。卷积核的感受野决定了输出特征图中单个像素点对应输入图像中的区域。在卷积计算时感受野通常与卷积核尺寸相同，大尺寸的卷积核能够整合更广泛的邻近像素特征，但是考虑到参数数量的问题，一般使用3×3的卷积核。
在卷积层中，卷积核在输入图像或前一层的特征图上滑动，与图像中每个局部区域逐一对应相乘。卷积核滑动的步长（stride）以及卷积核的尺寸均会影响输出特征图的维度。如果希望在卷积过程中不改变输出图像的尺寸，可以在卷积核计算之前，通过填充（padding）的方式，即在特征图的边缘填充零值，这些零值没有特征信息，目的仅是为了控制特征图的输出尺寸。
（2）激活函数
激活函数是卷积神将网络的重要组成部分，通常放在卷积之后。通过激活函数，卷积神经网络可以学习数据之间的非线性关系，增强模型的表达能力。常用的激活函数有ReLU、Sigmoid和Softmax等。
第三章 基于多分支 ECAM 注意力 UNet 的肝脏分割方法 ............ 19
3.1 腹部CT图像中肝脏区域分割存在的问题 ............. 19
3.2 多分支注意力UNet网络算法描述 ........................... 19
第四章 基于级联UNet网络结构的肝脏胆囊同时分割方法 ............. 33
4.1 当前多器官分割存在的问题 ...................... 33
4.2 级联多器官分割算法描述 .............................. 33
第五章 软件设计与实现 ............................ 40
5.1 需求分析 ............................... 40
5.2 软件设计 .................................. 40
第五章 软件设计与实现
5.1 需求分析
本文提出了两种的算法，用于在CT图像中精确分割肝脏区域，以及同时分割肝脏和胆囊区域。本研究旨在为负责医学图像数据标注的工作人员提供技术支持。基于本文提出的算法，开发了一款用户友好的工具软件，以满足以下核心功能需求：
（1）便捷图像输入：用户能够轻松上传腹部CT图像，以便进行后续处理。
（2）肝脏区域分割：提供一个按钮，用户可以通过点击触发算法自动分割肝脏区域。
（3）肝脏与胆囊区域同时分割：提供一个按钮，允许用户同时进行肝脏和胆囊区域的分割。
（4）分割结果对比：提供一个按钮，用户点击后可以查看分割结果与原始CT图像的对比视图，以便用户进行质量检查。
（5）结果保存：分割后的图像结果自动保存为文件，方便后续分析和存档。 该工具软件的设计考虑到用户的操作便利性和数据处理的准确性，旨在提高医学图像处理的效率和准确性。
第六章 总结与展望
6.1 工作总结
本文关注腹部CT图像器官分割领域，对肝脏分割和肝脏胆囊同时分割两个课题进行了研究。具体内容如下：
（1）对于肝脏分割任务，存在传统二维神经网络不能有效利用三维CT图像的空间上下文信息的问题，针对该问题，本文提出了一种多分支结构的结合了通道注意力机制的改进UNet模型。该模型在原始模型UNet的基础上根据经典模型VGG对基础网络结构进行了改进，同时融入了多分支结构和新提出的ECAM注意力模块，最终使模型分割效果取得了提升。本文提出方法的评估指标Dice系数达到0.9601，相比基准模型提高了4.65%，证明本文提出的多分支网络结构和ECAM通道注意力模块可以提取空间上下文信息，从而提高分割效果。
（2）对于肝脏胆囊同时分割任务，存在分割精度易受到背景噪声影响以及胆囊因体积较小在模型提取特征时容易受到忽视的问题。针对这些问题，本文在前文提出的多分支注意力网络的基础上提出了一种级联结构的多器官分割模型。该模型通过级联结构首先在CT图像上生成感兴趣区域，再在感兴趣区域内进行精细分割，以此排除背景噪声的影响。对于级联中产生的感兴趣区域不准确的问题，本文提出了一种膨胀级联方式。对于胆囊受到关注度不足的问题，在模型中引入了多损失函数联合训练策略，使模型能够针对不同器官使用不同的损失函数，以此来提高模型对胆囊的关注度。经过一系列改进后，本文提出方法分割肝脏和胆囊的Dice系数达到了0.9647和0.7023，相比多分支注意力模型进行多器官分割时的效果提高了1.08%和7.99%。方法改进后肝脏分割结果取得了进一步的提升，并且胆囊的分割精度获得了较大幅度的提升，证明了改进方式的有效性。
参考文献（略）
