基于三維全卷積神經(jīng)網(wǎng)絡(luò)的肝臟血管分割

胡 英 付美涵,2

1(大連海事大學(xué)船舶電氣工程學(xué)院 遼寧 大連 116000) 2(東北大學(xué)醫(yī)學(xué)影像智能計(jì)算教育部重點(diǎn)實(shí)驗(yàn)室 遼寧 沈陽 110000)

0 引 言

近幾年來,肝癌已成為嚴(yán)重威脅人類健康的疾病之一且有較高的患病率和復(fù)發(fā)率[1]。目前,肝臟的計(jì)算機(jī)輔助診斷和肝介入手術(shù)是診斷和治療肝臟腫瘤的有效方法,因此,掌握肝臟和肝臟血管的形態(tài)結(jié)構(gòu)是診斷和治療肝癌的關(guān)鍵步驟。由于肝臟血管與周圍組織對(duì)比度低、形狀不規(guī)則、CT影像中含有高噪聲等原因,使得肝臟血管的分割十分困難[2],而通過人工手動(dòng)分割肝臟血管費(fèi)時(shí)費(fèi)力,且比較依靠專家的經(jīng)驗(yàn)與技能,不同專家之間分割結(jié)果差異較大。因此,臨床上急需一種自動(dòng)、準(zhǔn)確、高效的肝臟血管分割算法。

傳統(tǒng)的肝臟血管分割主要方法有閾值法、圖像濾波法、形變算法、跟蹤算法和機(jī)器學(xué)習(xí)算法等。符曉珠等[3]提出基于分水嶺自適應(yīng)閾值算法,該算法可以自動(dòng)選取肝臟血管的閾值進(jìn)行分割,但由于不同CT影像之間閾值差別較大,所以很難使用統(tǒng)一閾值分割。圖像濾波法,主要用Hessian濾波器對(duì)呈現(xiàn)樹狀結(jié)構(gòu)的肝臟血管進(jìn)行特征提取,進(jìn)而對(duì)肝臟血管進(jìn)行多尺度增強(qiáng)[4-8],但該算法往往需要結(jié)合區(qū)域生長、圖割和形態(tài)學(xué)等方法,對(duì)具有高噪聲的圖像分割效果較差,且需要調(diào)整大量的參數(shù),較為煩瑣。形變算法中如水平集方法[9-10],需選取初始種子點(diǎn),若初始種子點(diǎn)定位不準(zhǔn)確,則會(huì)出現(xiàn)欠分割或者過分割的問題。跟蹤算法基于預(yù)定的血管模型進(jìn)行分割,通常與管狀結(jié)構(gòu)測(cè)量[11]、匹配濾波器[12]和形態(tài)學(xué)重建[13]等方法相結(jié)合。上述算法往往需要用戶進(jìn)行交互,無法實(shí)現(xiàn)自動(dòng)分割。Zeng等[14]提出了基于機(jī)器學(xué)習(xí)的肝臟血管分割算法,通過三個(gè)典型濾波器提取肝臟血管的結(jié)構(gòu)特征,再應(yīng)用機(jī)器學(xué)習(xí)的相關(guān)知識(shí)對(duì)血管分類。此方法中,需要詳盡地設(shè)計(jì)肝血管的特征,平衡不同的參數(shù)。

近幾年,深度卷積網(wǎng)絡(luò)在醫(yī)學(xué)圖像分割方面取得了令人矚目的成就,這些網(wǎng)絡(luò)可以自動(dòng)地學(xué)習(xí)圖像中復(fù)雜的特征,并對(duì)目標(biāo)進(jìn)行分類。Kitrungrotsakul等[15]利用三個(gè)具有共享核的深度卷積網(wǎng)絡(luò)(DNN),從CT影像數(shù)據(jù)的不同平面上提取肝血管特征,但該網(wǎng)絡(luò)無法分割差異較大數(shù)據(jù)。由于肝臟血管形狀不規(guī)則、分支形態(tài)細(xì)小,且開源標(biāo)注數(shù)據(jù)有限,數(shù)據(jù)集中前景與背景像素比例失衡,導(dǎo)致訓(xùn)練容易陷入局部最優(yōu)值,這使得常規(guī)深度卷積網(wǎng)絡(luò)分割肝臟血管很困難。文獻(xiàn)[16]提出了一種對(duì)稱的全卷積網(wǎng)絡(luò)U-Net,該網(wǎng)絡(luò)包含編碼器-解碼器,在醫(yī)學(xué)圖像分割方面取得了良好的效果。3DU-Net[17]和V-Net[18]是針對(duì)三維生物醫(yī)學(xué)影像分割而設(shè)計(jì)的一種密集全卷積網(wǎng)絡(luò)。Yu等[19]將ResNet[20]網(wǎng)絡(luò)中的殘差結(jié)構(gòu)塊引入到3DU-Net中,構(gòu)建了一種新的殘差3DU-Net,用于從CT影像中分割肝臟血管。

V-Net相比于3D-Unet在網(wǎng)絡(luò)上增加了殘差結(jié)構(gòu)并且使用卷積層代替池化層,該網(wǎng)絡(luò)能夠在訓(xùn)練樣本少、標(biāo)注不完全的情況下,實(shí)現(xiàn)端到端分割。V-Net網(wǎng)絡(luò)結(jié)構(gòu)可分為解碼器和編碼器兩部分,通過跳躍連接結(jié)構(gòu),將編碼器的特征映射到解碼器中,彌補(bǔ)解碼器上采樣過程中丟失的空間信息,盡管該種結(jié)構(gòu)在一定程度上保留了損失的空間特征,但由于肝臟血管與周圍的組織相似度較高,若想準(zhǔn)確分割,仍需加強(qiáng)網(wǎng)絡(luò)的定位能力。V-Net使用了一種基于骰子系數(shù)的新?lián)p失函數(shù)[18](Dice Loss),用以減少前景和背景比例失衡帶來的影響,分割結(jié)果雖有改善,但仍無法準(zhǔn)確分割小目標(biāo)。

為了實(shí)現(xiàn)肝臟血管的準(zhǔn)確分割,本文將V-Net作為肝臟血管分割的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu),并在此基礎(chǔ)上進(jìn)行了優(yōu)化,改進(jìn)如下：(1) 更改網(wǎng)絡(luò)結(jié)構(gòu),并在跳躍連接過程中引入金字塔卷積塊,用于融合局部和全局圖像內(nèi)容,減少信息丟失。(2) 在網(wǎng)絡(luò)中引入多分辨率深度監(jiān)督,將肝臟血管分割為多分辨率特征圖,即視為多任務(wù)學(xué)習(xí),不同監(jiān)督路徑參數(shù)獨(dú)立更新互不干擾,使每條路徑的訓(xùn)練更加有效,進(jìn)而提高模型魯棒性,并將不同分辨率特征圖組合,用于輸出最終的預(yù)測(cè)結(jié)果。(3) 為了解決前景與背景體素高度不平衡的問題,采用Tversky損失函數(shù)[21]。

1 相關(guān)工作

1.1 V-Net網(wǎng)絡(luò)框架的改進(jìn)

原始V-Net是一種含有五個(gè)分辨率層的密集型對(duì)稱網(wǎng)絡(luò),左側(cè)的編碼器用于從圖像中提取特征,右側(cè)的解碼器通過跳躍連接將編碼路徑的信息與上采樣的多尺度特征圖信息結(jié)合,最終還原到原始分辨率,并在此基礎(chǔ)上進(jìn)行逐像素分類。為防止訓(xùn)練過程出現(xiàn)過擬合現(xiàn)象,并降低計(jì)算量,本文使用3×3×3的卷積核替換原始網(wǎng)絡(luò)中5×5×5的卷積核,PReLU激活函數(shù)應(yīng)用于整個(gè)網(wǎng)絡(luò)。為了防止網(wǎng)絡(luò)過擬合,在每層的殘差結(jié)構(gòu)末端添加dropout層。

本文改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,左側(cè)編碼器和右側(cè)解碼器各包含四層網(wǎng)絡(luò)結(jié)構(gòu),原始V-Net網(wǎng)絡(luò)在編碼器中多次使用步長為2的2×2×2卷積核對(duì)特征圖進(jìn)行下采樣。下采樣雖然可以增加感受野,但同時(shí)也降低了空間分辨率,從而導(dǎo)致特征圖細(xì)節(jié)信息丟失。因此本文刪除原始V-Net編碼器中最后一層,并在編碼器的第四層中引入空洞卷積,用以彌補(bǔ)因下采樣層減少而造成的特征圖感受野降低的問題。擴(kuò)充后的卷積核計(jì)算如下：

kd=k+(k-1)(r-1)

(1)

式中：k為原卷積核大??；r為膨脹率,三個(gè)空洞卷積中膨脹率分別為3、4、5?？斩淳矸e操作可在不使用下采樣縮小特征圖的情況下,增加感受野,且通過調(diào)整空洞卷積中的膨脹率值,可提取特征圖中不同尺度的特征信息。沿編碼路徑中每個(gè)連續(xù)層將特征通道的數(shù)量加倍，以便更準(zhǔn)確和充分地學(xué)習(xí)深度特征。在解碼路徑中每一層都使用將特征通道數(shù)量減半、步長為2的2×2×2反卷積進(jìn)行上采樣。最后,在輸出層使用1×1×1卷積來調(diào)整特征映射的通道數(shù)目。

1.2 金字塔卷積塊

語義分割是像素級(jí)別的分類,需要逐像素定位再分類。肝臟血管錯(cuò)綜復(fù)雜且與周圍組織對(duì)比度低,從而需要增強(qiáng)網(wǎng)絡(luò)的分類與定位能力。文獻(xiàn)[22]指出,大核卷積除了具有固有的空間定位能力外,還可以提高網(wǎng)絡(luò)的體素分類能力。為了防止在網(wǎng)絡(luò)主體中使用大卷積核造成網(wǎng)絡(luò)參數(shù)過多而導(dǎo)致網(wǎng)絡(luò)過擬合,本文在每層水平連接過程中引入金字塔卷積塊,連接位置如圖2所示。金字塔卷積塊具體結(jié)構(gòu)如圖3所示,采用3×3×3、5×5×5和7×7×7卷積塊并行構(gòu)造。同時(shí)加入殘差結(jié)構(gòu),并在殘差結(jié)構(gòu)后添加1×1×1卷積,殘差結(jié)構(gòu)公式如下：

(2)

從編碼器輸出的特征經(jīng)過金字塔卷積塊傳播到解碼器中,有助于網(wǎng)絡(luò)從不同尺度捕獲肝臟血管的空間特征信息,以產(chǎn)生更多的鑒別特征。不同尺度的卷積可有效融合局部和全局圖像內(nèi)容,并減少信息丟失,進(jìn)而加強(qiáng)網(wǎng)絡(luò)的定位能力。

1.3 多分辨率深度監(jiān)督

文獻(xiàn)[23]中指出深度監(jiān)督機(jī)制可以有效緩解梯度爆炸或消失現(xiàn)象,加快網(wǎng)絡(luò)收斂速度,此外,還可以作為早期隱藏層的特征正則化方法,防止過擬合,增加網(wǎng)絡(luò)泛化能力。

本文中的深度監(jiān)督可以被看作為在網(wǎng)絡(luò)從低層到高層的不同隱藏層中輸出不同分辨率特征圖,即將肝臟血管的分割任務(wù)視為多任務(wù)學(xué)習(xí)過程。最終的預(yù)測(cè)結(jié)果為每層輸出的特征圖融合后的結(jié)果,經(jīng)多尺度特征圖融合后的預(yù)測(cè)結(jié)果包含更多隱藏層的細(xì)節(jié)信息,從而提高網(wǎng)絡(luò)整體的分割精度。如圖2所示,與常規(guī)的深度監(jiān)督不同,多任務(wù)深度監(jiān)督可對(duì)多條路徑不同分辨率的特征圖進(jìn)行監(jiān)督：在4層網(wǎng)絡(luò)結(jié)構(gòu)中解碼器每層特征圖通過1×1×1卷積降維,除最下層外,其余三層每層特征圖經(jīng)過Softmax后輸出的結(jié)果,將與通過三線性插值下采樣得到的相同分辨率的標(biāo)簽計(jì)算損失值,即多條路徑各自計(jì)算損失值并更新權(quán)重,互不干擾。除第一層的輸出層外,再將降維的特征圖進(jìn)行三線性插值上采樣與上一層降維后的特征圖融合,以此類推,生成最終特征圖,經(jīng)過Softmax層后生成最終預(yù)測(cè)結(jié)果。引入多分辨率深度監(jiān)督總損失函數(shù)表示如下：

(3)

式中：Lall為融合后的損失函數(shù)；Ld為第d層損失函數(shù)。因?yàn)槎喾直媛噬疃缺O(jiān)督使肝臟血管分割成為多任務(wù)學(xué)習(xí)過程,每條路徑的參數(shù)更新同等重要,所以不同監(jiān)督路徑的損失權(quán)重應(yīng)相等。

由于每個(gè)路徑有各自分辨率的訓(xùn)練目標(biāo),不同監(jiān)督路徑的參數(shù)隨機(jī)初始化,參數(shù)單獨(dú)更新而不互相干擾,防止網(wǎng)絡(luò)陷入相同的局部最優(yōu)值,使每條路徑的訓(xùn)練都有助于網(wǎng)絡(luò)更好的語義表達(dá)。同時(shí),網(wǎng)絡(luò)對(duì)不同分辨率的特征圖融合可以學(xué)習(xí)到多級(jí)上下文信息,有助于細(xì)分預(yù)測(cè)結(jié)果,使網(wǎng)絡(luò)具有分割細(xì)小肝臟血管的潛力。

1.4 損失函數(shù)

為了應(yīng)對(duì)類別不均衡情況,本文選擇Tversky損失函數(shù)。Tversky定義為：

(4)

式中：P是預(yù)測(cè)標(biāo)簽；G是注釋標(biāo)簽；|P∩G|表示正確分類的前景體素?cái)?shù)量；|P-G|表示假陽性即過度分割體素?cái)?shù)量；|G-P|表示假陰性即欠分割體素?cái)?shù)量；|P-G|+|G-P|代表所有錯(cuò)誤分類體素?cái)?shù)量。其中,通過調(diào)整α和β可以控制假陽性和假陰性之間的權(quán)衡。Tversky損失函數(shù)定義公式如下:

(5)

式中：在Softmax層的輸出中,p0i代表體素i屬于前景(肝血管)的概率；p1i代表體素i屬于背景(非肝臟血管)的概率；g0i和g1i分別代表標(biāo)簽中前景和背景體素i的標(biāo)記,其值分別為1和0。式(5)中關(guān)于p0i和p1i的損失梯度可計(jì)算為：

(6)

(7)

Tversky損失函數(shù)不需要平衡訓(xùn)練的權(quán)重,通過調(diào)整超參數(shù)α和β,可以控制假陽性和假陰性之間的權(quán)衡。經(jīng)實(shí)驗(yàn)驗(yàn)證,α=0.3、β=0.7時(shí)效果最佳,分割精度最高。

1.5 后處理

后處理即對(duì)網(wǎng)絡(luò)預(yù)測(cè)出的肝臟血管的進(jìn)一步處理。計(jì)算每個(gè)連通域的體積,為了防止不連通的血管被剔除,通過體積判斷除去小體積噪聲(小于180 mm3)。通過上述操作可以有效減少分割中的錯(cuò)誤分類。經(jīng)后處理操作前后的對(duì)比如圖4所示。

2 實(shí) 驗(yàn)

2.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本文算法基于Python3.7和PyTorch實(shí)現(xiàn)。PC硬件配置為Intel(R) Xeon(R) Silver 4110 CPU @ 2.10 GHz和NVIDIA Tesla T4 GPU(16 GB內(nèi)存)。

實(shí)驗(yàn)數(shù)據(jù)選用公開的CT影像數(shù)據(jù)集3Dircadb,該數(shù)據(jù)集共包含20例不同肝臟血管結(jié)構(gòu)的增強(qiáng)CT影像。每例數(shù)據(jù)像素間距0.56～0.87 mm,切片厚度為1～4 mm,切片數(shù)目從64到502層不等。在20例數(shù)據(jù)中選取12例作為訓(xùn)練數(shù)據(jù),8例作為測(cè)試數(shù)據(jù)。所選的訓(xùn)練集具有清晰、多樣的肝血管結(jié)構(gòu),同時(shí)與肝臟具有不同強(qiáng)度的對(duì)比度。

2.2 數(shù)據(jù)預(yù)處理

在訓(xùn)練開始前,需對(duì)數(shù)據(jù)進(jìn)行預(yù)處理操作,本文預(yù)處理包括以下三步：(1) 將CT值限于[-200,200]HU,以集中肝臟強(qiáng)度范圍。(2) 通過樣條插值方式將切片厚度統(tǒng)一為1.6 mm,并保持輸入圖像分辨率,保持圖像原始分辨率可避免因重采樣而產(chǎn)生的偽影誤差。(3) 從CT圖像中裁剪出肝臟區(qū)域,并將其統(tǒng)一裁剪為256×256×48大小,只采用包含血管的切片。(4) 為了充分利用現(xiàn)有標(biāo)簽數(shù)據(jù),通過旋轉(zhuǎn)和鏡像操作增加數(shù)據(jù)量,同時(shí)以5為滑動(dòng)步長一組數(shù)據(jù)連續(xù)取多個(gè)48片進(jìn)行訓(xùn)練。

2.3 參數(shù)設(shè)置

本文在V-Net網(wǎng)絡(luò)訓(xùn)練中選擇典型的Adam優(yōu)化器,因?yàn)橛?xùn)練樣本較少,為了防止過擬合提高模型的泛化能力,除了數(shù)據(jù)增強(qiáng)外本文還在網(wǎng)絡(luò)中每層的殘差結(jié)構(gòu)末端加入了dropout層,參數(shù)設(shè)置為0.5。初始學(xué)習(xí)率為0.000 1,考慮到計(jì)算資源,輸入網(wǎng)絡(luò)的批量大小設(shè)置為1。模型訓(xùn)練時(shí)長約為20 h,8個(gè)測(cè)試數(shù)據(jù)的測(cè)試時(shí)間在8.38～24.67 s之間,所有測(cè)試集的平均測(cè)試時(shí)間為12.31 s。

2.4 評(píng)價(jià)指標(biāo)

本文共使用了四種評(píng)價(jià)標(biāo)準(zhǔn)[24]作為檢驗(yàn)算法性能的評(píng)價(jià)指標(biāo)。這些指標(biāo)包括用于整體分割準(zhǔn)確性評(píng)估的骰子系數(shù)(DSC)、體素分割準(zhǔn)確性(Acc)、敏感性(Sen)和特異性(Spe),公式如下：

(8)

(9)

(10)

(11)

式中：NTP為正確分割為血管的體素?cái)?shù)量(真陽性)；NTN為正確分割為背景的體素?cái)?shù)量(真陰性)；NFP為錯(cuò)誤分割為血管的體素?cái)?shù)量(假陽性)和NFN為錯(cuò)誤分割為背景的體素?cái)?shù)量(假陰性)。

2.5 結(jié)果分析

經(jīng)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)基于V-Net網(wǎng)絡(luò)的所有改進(jìn)部分均可提高算法分割性能,如表1所示,網(wǎng)絡(luò)使用Tversky損失函數(shù),平均骰子值和靈敏度分別為68.1%和72.5%,而使用Dice損失函數(shù)(α=β=0.5)平均骰子值和靈敏度分別為66.8%和71.4%,前者相較后者指標(biāo)提升較大。使用兩種損失函數(shù)最后的預(yù)測(cè)結(jié)果如圖5所示,可以看出,使用Tversky相比于使用Dice損失函數(shù)可以更準(zhǔn)確地分割出更加細(xì)小的血管,但相比于專家分割的結(jié)果還存在一定差距。

表1 改進(jìn)算法在3Dircadb測(cè)試數(shù)據(jù)集上的分割性能對(duì)比(%)

續(xù)表1

使用常規(guī)深度監(jiān)督,僅僅加快了網(wǎng)絡(luò)收斂速度,分割性能并未明顯提高,而使用多分辨率深度監(jiān)督可使平均骰子值和靈敏度相較原始網(wǎng)絡(luò)顯著提高3.1百分點(diǎn)和1.7百分點(diǎn),平均準(zhǔn)確性和特異性提高0.4百分點(diǎn)和0.2百分點(diǎn)。圖6為部分改進(jìn)后的實(shí)驗(yàn)效果圖,其中：(a)為原始CT切片；(b)(e)和(c)(f)分別為使用深度監(jiān)督和多分辨率深度監(jiān)督網(wǎng)絡(luò)訓(xùn)練得到的切片和三維可視化結(jié)果；(d)(g)為金標(biāo)準(zhǔn)。通過觀察對(duì)比圖結(jié)果可發(fā)現(xiàn),使用多分辨率深度監(jiān)督的網(wǎng)絡(luò)可分割出更多與周圍組織對(duì)比度低的薄壁血管。

為驗(yàn)證多分辨率監(jiān)督機(jī)制的性能,本文分別使用傳統(tǒng)深度監(jiān)督方法以及多分辨率深度監(jiān)督方法在改進(jìn)的V-Net網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行實(shí)驗(yàn),最終得到結(jié)果如表2所示,其中使用MRDS方法計(jì)算的不同分辨率特征圖的DSC值均高于文獻(xiàn)[25]使用的DS,這表明不同路徑特定分辨率的深度監(jiān)督促進(jìn)網(wǎng)絡(luò)學(xué)習(xí)到更多的語義特征,使每條路徑的訓(xùn)練都有助于網(wǎng)絡(luò)更好的語義表達(dá)。同時(shí),每條路徑的DSC值均低于不同路徑特征圖融合后的DSC值,證明網(wǎng)絡(luò)通過對(duì)不同分辨率的特征圖融合可以學(xué)習(xí)到多尺度上下文信息,有助于細(xì)分預(yù)測(cè)結(jié)果,提高整體分割性能。1/4分辨率的DSC值相比于其他路徑的DSC值相差較大,表明低分辨率路徑雖然具有較大的接收?qǐng)龊透呒?jí)特征，但難以有助于邊緣的分割,對(duì)總體分割性能貢獻(xiàn)較小,證明了本文減少下采樣層的合理性。

表2 多分辨率深度監(jiān)督與文獻(xiàn)[25]深度監(jiān)督分割性能對(duì)比(%)

添加金字塔卷積塊可以使平均骰子值提高1.8百分點(diǎn),靈敏度提高1.3百分點(diǎn),表明在每層跳躍連接過程中引入金字塔卷積塊,在特征提取中保留了肝臟血管重要的特征,加強(qiáng)網(wǎng)絡(luò)的定位能力。在網(wǎng)絡(luò)中同時(shí)引入金字塔卷積塊和多分辨率深度監(jiān)督,測(cè)試集上最終平均骰子值、靈敏度、準(zhǔn)確性和特異性分別為72.9%、75.4%、98.5%和99.5%,最終實(shí)驗(yàn)結(jié)果如圖7所示,擁有較高的分割精度且提取出的狹窄血管更接近真實(shí)的血管輪廓。Kitrungrotsakul等[15]的報(bào)告指出,7個(gè)測(cè)試數(shù)據(jù)的平均骰子值為83%,而在其結(jié)果中,并未提取出未標(biāo)記的肝臟血管,并且該算法對(duì)肝臟血管的強(qiáng)度變化較為敏感。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn),本文方法可以分割出標(biāo)簽中未標(biāo)記的肝臟血管,更加接近臨床結(jié)果。部分分割結(jié)果如圖8所示。

經(jīng)實(shí)驗(yàn)統(tǒng)計(jì),本文算法以及其他4種算法的最終指標(biāo)如表3所示,可以看出本文算法的分割結(jié)果除準(zhǔn)確度低于文獻(xiàn)[8](該算法屬于半自動(dòng)分割方法)以外,其他指標(biāo)均高于其他算法,表明本文算法分割肝臟血管有更好的性能表現(xiàn)。

表3 本文算法與其他算法的分割性能對(duì)比(%)

3 結(jié) 語

本文提出一種基于改進(jìn)的三維全卷積神經(jīng)網(wǎng)絡(luò)V-Net肝臟血管分割算法，在少量訓(xùn)練樣本和注釋不完整的情況下自動(dòng)分割肝臟血管。在預(yù)處理階段使用鏡像、翻轉(zhuǎn)等方式增加數(shù)據(jù)量。在網(wǎng)絡(luò)編碼器中引入空洞卷積,使網(wǎng)絡(luò)在減少下采樣的情況下增加感受野；通過利用金字塔卷積塊,進(jìn)一步提高網(wǎng)絡(luò)的定位能力；在改進(jìn)網(wǎng)絡(luò)中引入多分辨率深度監(jiān)督,將肝臟血管分割視為多任務(wù)學(xué)習(xí),即將肝血管分割為多分辨率特征圖,使每條路徑在深度監(jiān)督下有特定的訓(xùn)練目標(biāo)且不互相干擾,從而增加分割魯棒性；最后將不同多分辨率特征圖融合預(yù)測(cè)整體分割結(jié)果。在預(yù)測(cè)階段使用后處理操作進(jìn)一步提高預(yù)測(cè)準(zhǔn)確度,最終實(shí)現(xiàn)了肝臟血管的精確分割。本文算法可以準(zhǔn)確快速地從CT影像中分割結(jié)構(gòu)復(fù)雜的肝臟血管,最終分割結(jié)果更接近于臨床結(jié)果,可用于替代臨床中的肝血管手動(dòng)分割,協(xié)助肝臟外科手術(shù)規(guī)劃。