0 引言

1 相关研究

2 分割方法

2.1 系统概述

分割方法的整体流程框架如图 1和图 2所示，包括训练和预测两个部分。图 1训练包括生成分割模型、去除假阳性的分类模型和边缘轮廓细化的分类模型，可以同时训练生成。图 2利用3个模型对预测图像进行分割，分割效果也可以通过3维可视化进行展示。

图 1 模型生成框架图

Fig. 1 Model generation framework((a) liver and tumor segmentation model; (b) classification model of removing false positive; (c) classification model of refining edge contour)

图 2 预测分割框架图

Fig. 2 Chart of segmentation prediction

2.2 分割模型

肝脏与肿瘤使用同样的扩展U-Net进行分割，图 3为肝脏分割模型。肿瘤分割网络与图 3的唯一区别在于输入的通道数量为4，除了时间上连续3幅图像外，增加了一个肝脏分割预测概率图通道。两个U-Net级联后可以实现端到端的训练与预测，如系统概述部分的图 1(a)所示。分割的基本网络架构与U-Net保持一致，共5层网络架构，包括编码器端和解码器端。编码器端使用DenseNet-169(Huang等，2017)一致的卷积层，包括4个dense block和3个transition layer，卷积通道数固定为32。密集连接使用了更少的输出维度, 从而可以避免训练不必要的冗余特征，更多的跳跃连接(skip connection)保证了层间最大信息流的传递，在提升梯度流的同时更加容易找到全局最优解。

图 3 分割模型网络结构

Fig. 3 Network structure of segmentation model

解码器端与编码器端相对应，从最下面7×7像素分辨率到112×112像素分辨率经过4次上采样，采用Isola等人(2017)的上采样方法，最上层112×112像素特征图像经过一般反卷积操作到224×224像素大小，最后使用Sigmoid激活后对像素分类实现分割。

由于上采样过程中会损失一些图像纹理细节，为了弥补损失，在上采样过程中加入子像素卷积(Shi等，2016)。其核心思想如图 4所示，通过一种将多个低分辨率特征图像进行像素洗牌(pixel shuffle)的方式来输出高分辨率图像。

图 4 子像素卷积模型

Fig. 4 Subpixel convolution model

如图 3所示，不仅可以在编码器端通过多个dense block逐层获取特征，在编码器和解码器每层之间也可以增加多个skip connection。编码器层通过与解码器层一致的上采样方法可以获取中间特征图像，通过每层中间特征图像的密集skip connection，增强编码器与解码器之间的语义连接，这与dense连接的思路是一致的，可以进一步加强整体的梯度流，在训练中提升全局最优解。

各种微小的肿瘤区域在肝癌患者中很常见，由于面积与体积较小，在卷积神经网络中容易引起特征消失或减弱的现象，为了更好地提高肿瘤的分割性能，使用一种用于医学成像的新型注意门(attention gate，AG)模型(Oktay等，2018)。该模型的优势在于能够自动关注学习体积与形状不同甚至差异较大的目标，由于肝脏肿瘤具有体积与形状多态性的分布特点，所以非常适合肿瘤的分割。

注意门的语义结构如图 5所示。Oktay等人(2018)方法中使用的是3维卷积处理，同样适用于2维图像，将原有输入中的厚度参数D去除，同时将1×1×1核调整为1×1，图中1表示卷积的层数，α为注意力系数。根据目标可以把像素重要度学习出来，从而对图像中不相关的区域进行抑制，对感兴趣区域进行突出，这种AG结构可以方便地集成到各种标准的CNN框架中，如图 3所示，已经集成到U-Net模型中，进一步提高了预测精确度与模型灵敏度。

图 5 注意门的语义结构图

Fig. 5 Semantic structure of attention gate

2.3 分割后处理

因为分割预测的结果是像素分类的概率值，即像素是肿瘤或肝脏的概率值，通过与255相乘将数值范围转为[0, 255]，这样就形成了一个分割的灰度图像，然后进行自适应二值化操作，成为表达分割的二值图像，255白色表示感兴趣区域，0黑色表示背景区域。分割二值图像需要进一步形态学操作，使用3×3的操作核，分别连续进行两次腐蚀和两次膨胀。

形态学的膨胀与腐蚀操作可能会导致一些不连续的较小区域丢失，由于CT在短时间内是连续扫描的，如图 6所示，某个肝癌病人CT图像中连续5帧图像的变化，对于肝脏区域与某些肿瘤区域，在很短的时间内变化幅度非常小，就可以利用这种图像在时间上的连续性对丢失区域进行恢复。如果一幅图像的前一幅与后一幅都存在分割区域，而当前图像没有，则使用当前图像前后分割结果的平均值。

图 6 CT图像连续性

Fig. 6 CT image continuity

2.3.1 去除假阳性

2.3.2 边缘细化

由于分割掩码并非完全连续，而是会有一些小的噪声区域，所以需要形态学操作把一些距离近的分割区域连接成一个整体，同时将噪声小的区域去除。

图像分割依赖于像素预测结果，因为像素预测的概率值有所不同，会导致灰度值与二值化的结果也不同，所以有的分割区域在形态学操作后比较准确，但是有些分割区域会比真实的结果扩大一些，需要进一步对边缘轮廓进行细化。

获取以像素为中心的3维立方体图像块作为训练的数据集，如果像素在肿瘤区域内，则图像块设置为阳性样本，肿瘤外图像像素数量远远超过肿瘤内像素，包括肝脏其他区域和其他的一些组织与器官。事实上，在一个感兴趣区域内对图像块进行分类，肿瘤外的像素只需考虑边缘附近范围内的像素，此处设置距离边缘的最大范围是6个像素。2维平面展示如图 7所示，肿瘤边界内环线和外环线之间的区域就是采样的外部区域。

图 7 肿瘤区域外部像素范围示意图

Fig. 7 Diagram of external pixel range of tumor area

根据实验，此处分类不需要过于复杂的CNN，较简单的CNN就可以达到很好的分类效果，选用AlexNet模型框架并进行相应的调整。原始的AlexNet用于处理ImageNet中的RGB三通道彩色图像，CT是只有一个通道的灰度图像，转为三通道的方法包括：3个不同窗位值图像；3个不同分辨率图像；3个相同图像。经过实验比较，三通道分类性能与单通道基本一致，所以调整AlexNet输入为一通道。ImageNet图像是2维的，处理大小为224×224像素，这里使用3维的图像块，分辨率的范围在5×5×5到21×21×21。根据实验，21×21×21以上的图像块在训练时无法收敛，11×11×11为最佳的分辨率。由于图像分辨率的缩小和3维的处理，需要进一步对卷积核进行调整，都使用步长为1的3×3×3卷积核，都进行2×2×2池化，通道调整为连续两个64通道，连接两个128通道，再连接一个256通道，整个结构如图 8所示。

图 8 调整后的AlexNet网络结构图

Fig. 8 Adjusted AlexNet network structure

3 实验与讨论

实验中深度学习使用的GPU设备为NVIDIA Tesla P100-PCIE-12 GB，在Ubuntu 16.04操作系统下使用Python3.6.5开发，核心库包括tensorflow1.12.0，keras 2.2.5和cudnn7.1.4。

肝癌CT数据集来自国内外合作医院的影像部，包括300个病人，进行5倍交叉验证的训练。每个CT序列包括70幅左右的2维扫描图像，图像序列转为224×224像素的8位灰度图像，每个序列中的肝脏与肿瘤都是由10年以上的医学专家进行分割标注。

在分割模型训练中，每次参与训练的病例为240个CT，每个CT获取25幅图像，参与训练图像总数为6 000幅，不进行数据增强。使用Adam优化，学习率和衰减率分别初始化为经验值0.000 1和0.000 01，batch size设置为32，训练中回调自动保存损失最小的网络模型及权重，epochs最大值设置为150，如果连续10个epochs后损失不减少则停止训练。

在去除假阳性的分类模型中，选择随机森林(random forest)算法，与其他常用模型性能对比如表 1和图 9所示。其中模型的关键超参值都是经过一定的网络搜索算法后最佳模型所对应的参数值。其中，n_trees、penalty、C和gamma分别表示决策树的数量、惩罚项类型，惩罚系数值和径向基函数参数。从图 9可以看出，随机森林分类结果的AUC(area under curve)值可以达到0.99，明显高于其他3个模型，具有很好的二分类性能。

表 1 分类模型比较
Table 1 Classification model comparison

下载CSV

分类模型	关键超参值	交叉验证准确率
随机森林	n_trees = 300	0.94 (±0.04)
SVM(rbf)	C=0.1, gamma=0.5	0.91 (±0.05)
SVM(linear)	C=1	0.87 (±0.04)
Logistic回归	penalty=′L2′, C=0.001	0.80 (±0.08)
注：加粗字体表示最优结果。

图 9 ROC比较图

Fig. 9 ROC comparison

在调整的AlexNet网络模型中，可以采样获取大量的样本，不进行数据增强。阳性与阴性样本各5万个。分类使用简单模型，将该模型与复杂度高的模型进行一个实验对比，样本分辨率为15×15×15，其他分辨率结果类似，如表 2所示。

表 2 CNN训练性能比较
Table 2 Performance comparison of CNN

下载CSV

CNN模型	准确率	训练速度
AlexNet	0.96	快
VGG19	0.91	慢
InceptionV3	0.91	慢
ResNet50	0.93	慢
注：加粗字体表示最优结果。

如表 3所示，根据不同图像块分辨率的性能测试，11×11×11分类效果最好，可以达到0.98的准确率，这种高准确率对边缘分割细化起到了关键的作用。

表 3 图像块性能比较
Table 3 Performance comparison of image block

下载CSV

块分辨率	准确率
5×5×5	0.91
7×7×7	0.94
9×9×9	0.95
11×11×11	0.98
13×13×13	0.96
15×15×15	0.96
17×17×17	0.94
19×19×19	0.90
21×21×21	0.88
23×23×23	无法收敛
注：加粗字体表示最优结果。

由于该分类器的目的是进行分割区域的细化，对分类性能的要求更高，所以首先使用缺省的Adam参数进行训练，在最优模型权重参数的基础上，使用学习率为0.000 1和momentum为0.9的随机梯度下降(stochastic gradient descent, SGD)优化方法进行微调(fine tune)，这样会取得更高的分类性能。图像块边长5~15范围内batch size设置为32, 17~23范围内batch size设置为16，同样训练中通过回调自动保存损失最小的网络模型及权重，epochs最大值设置为200，如果连续10个epochs后损失不减少则停止训练。

选择敏感度(sensitivity)、命中率(positive predicted value，PPV)和戴斯系数(Dice coefficient，DC)作为分割性能评估标准，即：

$ {{R_{{\rm{sensitivity }}}} = \frac{{|P \cap T|}}{{|T|}}} $

(1)

$ {{R_{{\rm{PPV }}}} = \frac{{|P \cap T|}}{{|P|}}} $

(2)

$ {{R_{{\rm{DC}}}} = \frac{{|P \cap T|}}{{(|P| + |T|)/2}}} $

(3)

式中，$P$代表像素预测值，$T$代表像素真实值，度量结果如表 4所示。表中给出合作医院数据集和公开数据集LiTS(Bilic等，2019)的验证结果。

表 4 分割性能比较
Table 4 Comparison of segmentation performance

下载CSV

性能指标	本文			Pang等人(2019)			Vorontsov等人(2018)			Li等人(2018)
	医院数据集	LiTS		医院数据集	LiTS		医院数据集	LiTS		医院数据集	LiTS
sensitvity	0.87±0.03	0.85		0.80±0.03	0.79		0.82±0.04	0.79		0.84±0.01	0.85
PPV	0.91±0.03	0.89		0.84±0.03	0.83		0.85±0.05	0.82		0.89±0.02	0.89
DC	0.86±0.05	0.83		0.78±0.02	0.78		0.80±0.04	0.78		0.82±0.02	0.82

从比较结果中可以看出，本文方法准确率的平均值与最高值都是最好的，最佳分割结果与专家标注基本吻合，通过观察还发现，部分分割结果要优于专家分割，由于人工分割操作中会有主观因素或者疲劳等引起的误操作，标注并非一定完全正确，所以出现这种现象是很正常的。

为了清晰地展示边缘分割效果，选择的分割CT图像没有显示全部区域，只是显示存在分割的局部区域，如图 10所示。从整体结果来看，本文与对比方法都可以将较大且纹理特征较明显的区域进行分割，从局部细节上可以观察出，本文分割的效果更加精细，与专家分割更为接近。从图 10第1、2、4行中可以看出，Vorontsov等人(2018)和Pang等人(2019)方法对于区域较小且纹理特征不是特别明显的区域无法识别，存在肿瘤区域遗漏现象。由于Li等人(2018)方法使用了一定的3维卷积特征，所以也可以较好地去除假阳性，如图 10第3、4行所示，但是与本文方法相比准确性会稍差一些，如图 10第5、6行所示，没有识别出假阳性区域。而Vorontsov等人(2018)和Pang等人(2019)方法都无法识别任何假阳性区域，如果区域纹理特征不明显或过小则与阳性区域一样漏检，否则识别为阳性区域分割。

图 10 分割示例

Fig. 10 Examples of segmentation

((a)ground truth; (b)ours; (c) Li et al. (2018);(d) Vorontsov et al. (2018);(e) Pang et al. (2019))

本文方法的训练过程不是端到端进行的，是由3个学习模型共同训练完成，一般是在Linux系统下的GPU服务器上进行。模型训练完成后可以布置在服务端也可以布置在一般PC机客户端。如果是在服务端，需要通过网络请求并传输序列图像，分割完成后再返回客户端。分割预测可以通过3个模型一次性分割完成，但是无法达到对一个CT序列实时分割的性能要求，事实上目前医疗或科研机构现实的应用中也不会进行实时处理，比较典型的做法是将图像上传到服务端，线下批量分割处理，处理完成后仅将分割结果数据返回，客户端利用分割结果数据就可以得到最终的分割图像。利用多个深度学习或机器学习模型进行医学图像分割，可以发挥出每个模型的个性化优势，从而可以进一步提高分割性能和泛化能力。

4 结论

参考文献

Aerts H J W L, Velazquez E R, Leijenaar R T H, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, Hoebers F, Rietbergen M M, Leemans C R, Dekker A, Quackenbush J, Gillies R J, Lambin P. 2014. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nature Communications, 5(1): 1-9 [DOI:10.1038/ncomms5006]
Afshar P, Mohammadi A, Plataniotis K N, Oikonomou A, Benali H. 2019. From handcrafted to deep-learning-based cancer radiomics:challenges and opportunities. IEEE Signal Processing Magazine, 36(4): 132-160 [DOI:10.1109/MSP.2019.2900993]
Bilic P, Christ P F, Vorontsov E, Chlebus G, Chen H, Dou Q, Fu C W, Han X, Heng P A, Hesser J, Kadoury S, Konopczynski T, Le M, Li C M, Li X M, Lipkovà J, Lowengrub J, Meine H, Moltz J H, Pal C, Piraud M, Qi X J, Qi J, Rempfler M, Roth K, Schenk A, Sekuboyina A, Vorontsov E, Zhou P, Hülsemeyer C, Beetz M, Ettlinger F, Gruen F, Kaissis G, Lohöfer F, Braren R, Holch J, Hofmann F, Sommer W, Heinemann V, Jacobs C, Mamani G E H, van Ginneken B, Chartrand G, Tang A, Drozdzal M, Ben-Cohen A, Klang E, Amitai M M, Konen E, Greenspan H, Moreau J, Hostettler A, Soler L, Vivanti R, Szeskin A, Lev-Cohain N, Sosna J, Joskowicz L and Menze B H. 2019. The liver tumor segmentation benchmark (LiTS)[EB/OL].[2020-05-22]. https://arxiv.org/pdf/1901.04056.pdf
Chen L, Song H, Wang C, Cui Y T, Yang J, Hu X H, Zhang L. 2019. Liver tumor segmentation in CT volumes using an adversarial densely connected network. BMC Bioinformatics, 20(S16): #587 [DOI:10.1186/s12859-019-3069-x]
Choudhary A, Moretto N, Ferrarese F P, Zamboni G A. 2008. An entropy based multi-thresholding method for semi-automatic segmentation of liver tumors. MICCAI workshop, 41(43): 43-49
Çiçek Ö, Abdulkadir A, Lienkamp S S, Brox T and Ronneberger O. 2016.3D U-Net: learning dense volumetric segmentation from sparse annotation//Proceedings of the 19th International Conference on Medical Image Computing and Computer-Assisted Intervention. Athens: Springer: 424-432[DOI: 10.1007/978-3-319-46723-8_49]
Cirillo M D, Abramian D and Eklund A. 2020. Vox2Vox: 3D-GAN for brain tumour segmentation[EB/OL].[2020-05-22]. https://arxiv.org/pdf/2003.13653.pdf
Conze P H, Noblet V, Rousseau F, Heitz F, de Blasi V, Memeo R, Pessaux P. 2017. Scale-adaptive supervoxel-based random forests for liver tumor segmentation in dynamic contrast-enhanced CT scans. International Journal of Computer Assisted Radiology and Surgery, 12(2): 223-233 [DOI:10.1007/s11548-016-1493-1]
Das A, Sabut S K. 2016. Kernelized fuzzy C-means clustering with adaptive thresholding for segmenting liver tumors. Procedia Computer Science, 92: 389-395 [DOI:10.1016/j.procs.2016.07.395]
Fang R G, Zabih R, Raj A and Chen T. 2011. Segmentation of liver tumor using efficient global optimal tree metrics graph cuts//Proceedings of the 3rd International MICCAI Workshop on Computational and Clinical Challenges in Abdominal Imaging. Toronto: Springer: 51-59[DOI: 10.1007/978-3-642-28557-8_7]
Häme Y, Pollari M. 2012. Semi-automatic liver tumor segmentation with hidden Markov measure field model and non-parametric distribution estimation. Medical Image Analysis, 16(1): 140-149 [DOI:10.1016/j.media.2011.06.006]
He K M, Gkioxari G, Dollár P, Girshick R. 2020. Mask R-CNN. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2): 386-397 [DOI:10.1109/TPAMI.2018.2844175]
Hu R H, Dollár P, He K M, Darrell T and Girshick R. 2017. Learning to segment every thing//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE: 4233-4241[DOI: 10.1109/cvpr.2018.00445]
Huang G, Liu Z, van der Maaten L and Weinberger K O. 2017. Densely connected convolutional networks//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE: 2261-2269[DOI: 10.1109/cvpr.2017.243]
Huang W M, Yang Y Z, Lin Z P, Huang G B, Zhou J Y, Duan Y P and Xiong W. 2014. Random feature subspace ensemble based extreme learning machine for liver tumor detection and segmentation//Proceedings of the 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Chicago: IEEE: 4675-4678[DOI: 10.1109/embc.2014.6944667]
Isola P, Zhu J Y, Zhou T H and Efros A A. 2017. Image-to-image translation with conditional adversarial networks//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE: 5967-5976[DOI: 10.1109/cvpr.2017.632]
Kadoury S, Vorontsov E, Tang A. 2015. Metastatic liver tumour segmentation from discriminant Grassmannian manifolds. Physics in Medicine and Biology, 60(16): 6459-6478 [DOI:10.1088/0031-9155/60/16/6459]
Korez R, Likar B, Pernuš F and Vrtovec T. 2016. Model-based segmentation of vertebral bodies from MR images with 3D CNNs//Proceedings of the 19th International Conference on Medical Image Computing and Computer-Assisted Intervention. Athens: Springer: 433-441[DOI: 10.1007/978-3-319-46723-8_50]
Krishan A, Mittal D. 2019. Effective segmentation and classification of tumor on liver MRI and CT images using multi-kernel K-means clustering. Biomedical Engineering/Biomedizinische Technik, 65(3): 301-313 [DOI:10.1515/bmt-2018-0175]
Lambin P, Leijenaar R T H, Deist T M, Peerlings J, de Jong E E C, van Timmeren J, Sanduleanu S, Larue R T H M, Even A J G, Jochems A, van Wijk Y, Woodruff H, van Soest J, Lustberg T, Roelofs E, van Elmpt W, Dekker A, Mottaghy F M, Wildberger J E, Walsh S. 2017. Radiomics:the bridge between medical imaging and personalized medicine. Nature Reviews Clinical Oncology, 14(12): 749-762 [DOI:10.1038/nrclinonc.2017.141]
Li B N, Chui C K, Chang S, Ong S H. 2012. A new unified level set method for semi-automatic liver tumor segmentation on contrast-enhanced CT images. Expert Systems with Applications, 39(10): 9661-9668 [DOI:10.1016/j.eswa.2012.02.095]
Li X M, Chen H, Qi X J, Dou Q, Fu C W, Heng P A. 2018. H-DenseUNet:hybrid densely connected UNet for liver and tumor segmentation from CT volumes. IEEE Transactions on Medical Imaging, 37(12): 2663-2674 [DOI:10.1109/tmi.2018.2845918]
Li Y Z, Hara S, Ito W and Shimura K. 2007. A machine learning approach for interactive lesion segmentation//Proceedings of SPIE 6512, Medical Imaging 2007: Image Processing. San Diego: SPIE: 651246[DOI: 10.1117/12.708910]
Liang D, Lin L F, Chen X, HU H J, Zhang Q W, Chen Q Q, Iwamoto Y, Han Y H, Chen Y W, Tong R F and Wu J. 2019. Multi-stream scale-insensitive convolutional and recurrent neural networks for liver tumor detection in dynamic Ct images//Proceedings of 2019 IEEE International Conference on Image Processing. Taipei: IEEE: 794-798[DOI: 10.1109/icip.2019.8803730]
Liao M, Liu Y Z, Ouyang J L, Yu J Y, Zhao Y Q, Zhang B Z. 2019. Automatic segmentation of liver tumor in CT volumes using nonlinear enhancement and graph cuts. Journal of Computer-Aided Design and Computer Graphics, 31(6): 1030-1038 (廖苗, 刘毅志, 欧阳军林, 余建勇, 赵于前, 张宝泽. 2019. 基于非线性增强和图割的CT序列肝脏肿瘤自动分割. 计算机辅助设计与图形学学报, 31(6): 1030-1038) [DOI:10.3724/sp.j.1089.2019.17258]
Lu R, Marziliano P and Thng C H. 2005. Liver tumor volume estimation by semi-automatic segmentation method//Proceedings of 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference. Shanghai: IEEE: 3296-3299[DOI: 10.1109/iembs.2005.1617181]
Milletari F, Navab N and Ahmadi S A. 2016. V-Net: fully convolutional neural networks for volumetric medical image segmentation//Proceedings of the 4th International Conference on 3D Vision. Stanford: IEEE: 565-571[DOI: 10.1109/3DV.2016.79]
Oktay O, Schlemper J, Le Folgoc L L, Lee M, Heinrich M, Misawa K, Mori K, McDonagh S, Hammerla N Y, Kainz B, Glocker B and Rueckert D. 2018. Attention u-net: learning where to look for the pancreas[EB/OL].[2020-05-22]. https://arxiv.org/pdf/1804.03999.pdf
Pang Y W, Hu D and Sun M. 2019. A modified scheme for liver tumor segmentation based on cascaded FCNs//Proceedings of 2019 International Conference on Artificial Intelligence, Information Processing and Cloud Computing. Sanya: ACM: 1-6[DOI: 10.1145/3371425.3371451]
Parekh V S and Jacobs M A. 2019. Radiomic synthesis using deep convolutional neural networks//Proceedings of 2019 IEEE International Symposium on Biomedical Imaging. Venice: IEEE: 1114-1117[DOI: 10.1109/ISBI.2019.8759491]
Pinheiro P O, Lin T Y and Collobert R Dollár P. 2016. Learning to refine object segments//Proceedings of the 14th European Conference on Computer Vision. Amsterdam, The Netherlands: Springer: 75-91[DOI: 10.1007/978-3-319-46448-0_5]
Rezaei M, Yang H J and Meinel C. 2018. Instance tumor segmentation using multitask convolutional neural network//Proceedings of 2018 International Joint Conference on Neural Networks. Rio de Janeiro: IEEE: 1-8[DOI: 10.1109/ijcnn.2018.8489105]
Rezaei M, Yang H J, Meinel C. 2020. Recurrent generative adversarial network for learning imbalanced medical image semantic segmentation. Multimedia Tools and Applications, 79(21): 15329-15348 [DOI:10.1007/s11042-019-7305-1]
Ronneberger O, Fischer P and Brox T. 2015. U-net: convolutional networks for biomedical image segmentation//Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer: 234-241[DOI: 10.1007/978-3-319-24574-4_28]
Shelhamer E, Long J, Darrell T. 2017. Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(4): 640-651 [DOI:10.1109/TPAMI.2016.2572683]
Shi W Z, Caballero J, Huszár F, Totz J, Aitken A P, Bishop R, Rueckert D and Wang Z H. 2016. Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE: 1874-1883[DOI: 10.1109/cvpr.2016.207]
Vorontsov E, Abi-Jaoudeh N and Kadoury S. 2014. Metastatic liver tumor segmentation using texture-based omni-directional deformable surface models//Proceedings of the 6th International MICCAI Workshop on Computational and Clinical Challenges in Abdominal Imaging. Cambridge: Springer: 74-83[DOI: 10.1007/978-3-319-13692-9_7]
Vorontsov E, Tang A, Pal C and Kadoury S. 2018. Liver lesion segmentation informed by joint liver segmentation//Proceedings of the 15th IEEE International Symposium on Biomedical Imaging. Washington: IEEE: 1332-1335[DOI: 10.1109/isbi.2018.8363817]
Wu W W, Wu S C, Zhou Z H, Zhang R, Zhang Y H. 2017. 3D liver tumor segmentation in CT images using improved fuzzy C-means and graph cuts. BioMed Research International, 2017: #5207685 [DOI:10.1155/2017/5207685]
Xu F, Ma H Y, Sun J X, Wu R, Liu X and Kong Y Y. 2019. LSTM multi-modal UNet for brain tumor segmentation//Proceedings of the 2019 IEEE International Conference on Image, Vision and Computing. Xiamen: IEEE: 236-240[DOI: 10.1109/icivc47709.2019.8981027]
Yang D, Xiong T, Xu D G and Zhou K. 2020. Segmentation using adversarial image-to-image networks//Zhou S K, Rueckert D and Fichtinger G. Handbook of Medical Image Computing and Computer Assisted Intervention.[s.l.]: Academic Press: 165-182[DOI: 10.1016/b978-0-12-816176-0.00012-0]
Yang J C, Fang R Y, Ni B B, Li Y M, Xu Y and Li L G. 2019. Probabilistic radiomics: ambiguous diagnosis with controllable shape analysis//Proceedings of the 22nd International Conference on Medical Image Computing and Computer-Assisted Intervention. Shenzhen: Springer: 658-666[DOI: 10.1007/978-3-030-32226-7_73]
Zhou J Y, Xiong W, Tian Q, Qi Y Y, Liu J, Leow W K, Han T, Venkatesh S K and Wang S C. 2008. Semi-automatic segmentation of 3D liver tumors from CT scans using voxel classification and propagational learning//Proceedings of Learning, Workshop on 3D Segmentation in the Clinic.[s.l.]: [s.n.]: 1-10