吴宇杭

（四川大学计算机学院，成都610065）

0 引言

肝脏作为人体腹部最大的器官，也是人体肿瘤多发部位之一。肝脏病变是人体中的常见病变，尤其是在我国肝脏肿瘤发病率正呈现逐年上升的趋势，且在早期症状并不明显，超过30%的患者发现时已是晚期，错过了治疗的最佳时机[1]。肝脏病变的临床表现为肝脏外形、大小和轮廓的变化，因此，快速的筛查和定位是诊断和治疗的关键[2]。当前医院主要通过磁共振成像和CT断层扫描等医学影像检查的方式对肝脏进行筛查，医生需要手动分割出肝脏以及病灶区域，为制定诊疗方案提供可靠的形态学参考。由于医院影像科医生资源分布不均以及大量病例图像的产生，且手动标注病灶需要耗费大量的时间，极大地增加了医生的负荷以及病人的等待时间。

伴随着人工智能技术的不断进步，出现了许多基于深度学习的医学图像自动分割技术，其对肝脏器官的分割精度也逐渐超越了专业医生和传统分割方法。文献[3]提出了一种全卷积神经网络（Fully Convolution⁃al Networks，FCN），网络所有层均为卷积层，能够从像素级别对图像进行分类，进而解决了语义级别的图像分割问题。由于FCN在端到端分割中的优异表现，许多学者在其基础上进行了大量改进。文献[4]在FCN基础上提出了一种基于编码器-解码器结构的网络模型，编码阶段通过下采样方式逐级捕捉图像特征信息，解码阶段通过上采样逐级恢复每个像素的定位并对像素进行分类。……