基于深度学习的肾脏肿瘤图像分割方法.pdf

摘要

基于深度学习的肾脏肿瘤图像分割方法

肾细胞癌是一种常见的泌尿系统疾病，其发病率在最近几年持续增长，且具

有较高的致死率。随着医学技术的不断发展，影像学检查方式已经成为医生对肾

脏疾病进行诊断必不可少的方式之一。然而，由于肾内结构复杂，肾脏肿瘤性质

差异大，肿瘤的边界与非肿瘤区域分界不明显等因素，肾脏肿瘤图像的分割工作

仍然面临众多的挑战。随着深度学习技术的不断发展，在肾脏肿瘤图像分割领域，

深度学习方法能够更好地应对图像中目标区域的纹理特征和复杂形态，从而实现

更精准的分割结果。这种自动化的分割技术可以帮助医生更快速、更准确地进行

诊断和治疗规划，提高临床工作的效率和诊疗水平。而在肿瘤识别的实际场景中，

除了病灶区域的分割，Ki67等级也有重要意义，有助于医生对患者的肿瘤恶性

倾向进行判断。Ki67是一种特定的核抗原蛋白，在细胞核中的表达水平反映了

细胞的增殖活性。通过对肿瘤组织中Ki67的染色程度和比例进行观察，可以评

估肿瘤的增殖活性和恶性程度。本文将Ki67等级信息与肾脏肿瘤图像相结合，

提出了一种基于半监督的肾脏肿瘤图像分割算法，分割的同时对Ki67等级进行

预测，Dice系数结果达到68.19%，Ki67等级预测准确率达到78%，表明该方法

在一定程度上能够为医生提供较为可靠的辅助诊断结果。

本文的研究内容和创新主要分为以下几点：

针对典型的医学图像分割网络V-net存在的边界分割效果不好，模型参数量

大的问题加以改进，提出了基于多维协同注意力的肾脏肿瘤图像分割网络，将

Ghost卷积和多维协同注意力加入网络，Ghost卷积代替普通卷积，降低了网络

的参数量，减少了模型的计算资源消耗，多维协同注意力则可以更好的关注特征

图中的有用信息，提升特征质量。最后，在数据集上进行实验，Dice系数可以

达到81.47%，结果表明提出的MCAV-Net与其他对比网络相比更具有优越性。

然而，这种方法仍然需要大量的有标签数据，而医学图像的标签往往难以获

取，而且在肿瘤识别的实际场景中，除了病灶区域的分割，对肿瘤的恶性倾向进

行判断也十分重要。针对这两个问题，本文提出了基于半监督学习的肾脏肿瘤分

I

割算法，并对分割模型进行改进，使其利用分割时对图像提取的特征进行Ki67

等级的预测。为了更好地理解肾脏肿瘤的特征，本文在算法中引入了多尺度卷积

注意力机制，该机制可以动态调整特征图的权重，根据图像的不同部分调整注意

力，从而更好地捕获肿瘤区域的细节信息，并在分割的同时进行Ki67等级预测，

帮助医生对患者的肿瘤恶性倾向进行判断，避免了患者由于穿刺等侵入式检查方

法造成的风险和伤害。

关键词:

医学图像分割，Ki67，半监督，肾脏肿瘤分割

II

Abstract

ASegmentationMethodforKidneyTumorImages

BasedonDeepLearning

Renalcellcarcinomaisacommondiseaseoftheurinarysystem,whose

incidencehasbeenincreasingcontinuouslyinrecentyearsandhasahighlethality

rate.Withthecontinuousdevelopmentofmedicaltechnology,imagingmodalityhas

becomeoneoftheindispensablewaysfordoctorstodiagnoserenaldiseases.

However,thesegmentationofrenaltumorimagesstillfacesnumerouschallengesdue

tothecomplexityofintra-renalstructures,thewidelyvaryingnatureofrenaltumors,

andth