徐婷宜 朱家明 李祥健

摘  要：肝脏CT（计算机断层扫描）图像分割为临床肝脏医疗分析提供了可靠依据。文中探索了完全卷积网络（FCN）用于肝脏CT图像中的检测和分割。FCN已被证明是用于语义分段的非常强大的工具，它能接受任意大小的的输入并通过有效地推理与学习产生相应大小的输出。该文将分类网络VGG调整为完全卷积网络，并通过迁移学习将其转移到分割任务，展示了由端到端，像素到像素训练的卷积网络语义分割。此架构能将来自深层粗糙层的语义信息与来自浅层精细层的外观信息相结合，以生成准确而精细的分割。本架构肝脏分割IOU值达到0.9，取得较好的分割效果。

关键词：全卷积网络;语义分割;深度学习

Abstract： Computed Tomography （CT） image segmentation provides a reliable basis for clinical liver medical analysis. A Full Convolutional Network （FCN） is explored for detection and segmentation in liver CT images. FCN has been proven to be a very powerful tool for semantic segmentation. It can accept inputs of any size and generate corresponding output through effective reasoning and learning. This paper adjusts the classification network of Visual Geometry Group （VGG） to a fully convolutional network and transfers it to the segmentation task through transfer learning. It shows an end-to-end， pixel-to-pixel trained convolutional network semantic segmentation. This architecture can combine semantic information from deep rough layers with appearance information from shallow fine layers to generate accurate and fine segmentation. In this architecture， the liver segmentation Intersection-over-Union （IOU） value reaches 0.9， and a good segmentation effect is achieved.

Keywords： full convolutional network; semantic segmentation; deep learning

1   引言（Introduction）

计算机断层扫描（CT）是观察骨关节及软组织的一种理想的方式，肝脏病变检测常用CT图像观察[1]。肝脏手术需要有关肝脏大小、形状和精确位置的信息。临床诊断大多数依靠医生耗费大量时间手动检测和分割，这就突出了计算机分析的必要性。本文中所述图像语义分割的意思是计算机把图像中所有的像素点分配给其对应的标签。采用VGG、Alex-Net等CNN网络，以图像中每个像素点为中心提取像素补丁，将补丁送入分类后对应的标签中，每个补丁中心像素得到相对应的标签，将所有像素点执行操作，即可得对应像素点的标签[2]。全卷积网络用卷积层取代全连接层，使得网络能进行像素级分割的分类，从而解决语义分割问题[3]。FCN可以接受任意大小的输入，并通过有效地推理与学习产生相应的输出，使这个体系结构的损失函数在整个图像分割结果上进行计算[4]。……