肝细胞癌区域分割系统

一、前言和问题引入

肝癌一直以来在癌症致死率高位上久居不下，对人类健康威胁极大。CT扫描是诊断肝癌的重要手段，而精确分割肝脏和肿瘤区域对诊断和治疗至关重要。尽管深度卷积神经网络（DCNN）在肝肿瘤分割方面取得了进展，但由于肝脏和肿瘤区域在CT影像中的边缘模糊和对比度低等问题，这一任务仍然充满挑战。本研究旨在开发一种高效的HCC肿瘤分割算法，以辅助临床诊断，优化治疗方案。

二、项目方案设计

2.1 设计目标

设计一种算法实现在静脉期CT图像上对最大的HCC肿瘤区域进行分割。

本次设计的技术指标包括Dice相似性系数（Dice Similarity Coefficient，DSC）和Hausdorff距离（Hausdorff Distance，HD）。

和分别是分割模型和专家手工勾画的结果，通过计算去衡量模型分割结果与专家手工勾画结果的重合度（值越大越好）：

和表示分割模型和专家手工勾画结果对应的点集合，表示在集合中的点与该点在集合最近的点的最大距离，通过计算去衡量模型分割结果与专家手工勾画结果三维表面的距离差异（值越小越好）：

2.2 设计内容

2.2.1框架基本介绍

在本项研究中，我们实施了nnU-Netv2方案，这是一种能够自我调整的深度学习架构，它融合了2D U-Net、3D U-Net（涵盖fullers和lowers）以及U-Net Cascade（串联3D U-Net）。仅需输入数据，该框架便能够智能识别图像特征，并自动适配网络结构，以实现自动化的分割操作。nnU-Netv2在多个国际分割竞赛中展现出卓越的性能，超越了许多专门定制的处理流程。其创新之处在于将复杂的手动配置过程简化为固定参数、基于数据集属性的规则参数以及少量需要经验优化的参数。

nnU-Netv2的工作流程如下：

在训练阶段，我们提取了数据集的关键特征，包括图像的尺寸、体素间隔和成像模态等详细信息

根据提取的数据集特征，系统将自动设定分割流程的关键参数，这包括数据预处理、网络架构配置以及训练方法等。

对于少数未覆盖的参数（如模型选择、后处理），在训练过程中进行经验优化。

使用标准的U-Net网络架构模板训练多个模型。

通过交叉验证，从多个训练好的模型中选择表现最佳的单一模型或模型组合。

如后处理能提升验证性能，则应用后处理步骤。

最终获得一个自动配置、针对特定任务优化的分割流程。

将该流程应用于测试数据，以获得分割结果。

2.2.2框架结构概述

（1）2D U-Net：这是一种标准的二维U型网络，专门在轴向切片上进行训练和推理。它特别适合处理高度不均匀的异构数据，能够有效地处理数据的各向异性。

（2）3D U-Net：这是一个三维U型网络，它在原始全分辨率数据上进行训练和推理，能够捕捉到更丰富的空间信息。作为最强大的单一模型结构，其性能受到GPU内存限制，尤其是在处理大尺寸的3D数据时（包括fullers和lowers）。

（3）U-Net Cascade：这种架构通过串联两个3D U-Net模型来实现：首先，一个3D U-Net在低分辨率上训练，产出初步的分割图；然后，另一个3D U-Net在完整分辨率上进行训练，以优化和增强分割的细节。这种串联策略有助于整合更丰富的上下文信息，进而提升分割精度。

2.3作品方案设计

接下来将详细介绍nnU-Netv2框架的各个部分、模块的原理与具体实现细节。

（1）预处理

Crop—剪裁：非零值区域存储被裁剪的数据。

Resampling—重采样：把相同的空间分辨率应用于所有图像，以便模型可以学习一致的特征。

Normalization：在图像送入深度学习模型前，归一化是必要的步骤，它将像素值调整到一个统一的区间，比如[0， 1]或[-1， 1]，这有助于加快模型训练的收敛速度并增强训练过程的稳定性。nnU-Netv2采用了Z-Score标准化技术来进行这一处理，该技术通过计算每个像素值相对于其所在图像的平均值和标准差的偏差，然后进行相应的调整。

（2）训练程序

损失函数：损失函数为diceloss+交叉熵损失函数：

学习率：采用Poly learning rate schedule，基本形式为：

在这里，“baselr”指的是起始学习率，“iters”指的是当前的迭代轮数，“max_iters”指的是总迭代轮数，而“power”是指学习率衰减的幂次。也就是说，学习率随迭代次数增加而呈多项式减少。这种策略的优点是：在训练初期学习率较大，利于快速下降。在训练后期学习率衰减，利于收敛。

数据增广：在训练阶段，我们动态实施了以下增强技术：随机旋转、缩放、弹性变形、伽玛校正和镜像。若3D U-Net输入的体素块最大边长大于最短边长的两倍，则优先考虑2D增强，并逐层应用于样本。在U-Net级联的第二阶段，前一阶段的分割结果作为额外输入。为避免过拟合，我们随机应用形态学操作（如腐蚀、扩张等）并去除分割中的连续部分。

Patch Sampling：为增强网络训练的稳健性，我们确保每批数据中超过三分之一的样本至少包含一个随机选定的前景对象。

（3）推理

在进行推断时，我们按块处理图像。由于网络在块边缘的准确性下降，我们会在汇总跨块预测时增加中心体素的权重。通过选择大小为块尺寸一半的块以实现重叠，并在所有有效轴上镜像这些块，我们利用了测试时数据增强（TTA），这是一种竞赛中常用的技术。

对于测试案例，我们整合了从训练集交叉验证中得到的五个网络，以增强模型的鲁棒性。后处理

使用连通成分分析，删除除了最大连通域之外的其他连通域，减少假阳性区域。

三、项目总结（项目特色、创新性或创意说明、理论意义、应用价值等）

深度卷积神经网络可以用来高效分割肝细胞癌肿瘤医学图像，并取得很好的分割效果，但在肝细胞的边界上分割粗糙或不够平滑且难以将解剖学的先验知识添加到分割模型中。水平集算法可以有效地分割肝细胞癌肿瘤边界但是需要手动初始化。

参考文献

[1]白司悦.基于深度学习的CT图像中肝脏自动分割算法研究[D].南京大学，2021.DOI：10.27235/d.cnki.gnjiu.2021.001592.

[2]张梦飞.基于深度学习的CT影像肝肿瘤分割方法研究[D].江南大学，2022.DOI：10.27169/d.cnki.gwqgu.2022.000436.

[3]史鹏.基于深度学习和CT影像的肝肿瘤分割方法的研究[D].电子科技大学，2019.

作者简介：唐鹤轩 ，男 ，2004.8.28 汉 ，籍贯四川南充， 西南科技大学 ，本科， 机器学习 ，610300。

江晶蕊 ，女， 2004.6.5，汉 ，四川成都 ，西南科技大学，本科610300。

周宇航， 男， 2003.11.18 土家族 湖北利川 西南科技大学国防科技学院，本科， 图像处理，621000。

王玥陈佳，女， 2005.09.13 ，汉 ，四川省成都市，西南科技大学 ，本科 ，610300。

六、小学美术教学中传统纹样与图案学习应注意的问题

（一）注重文化内涵的讲解

在教学过程中，教师不仅要让学生掌握传统纹样与图案的形式美，还要注重讲解其文化内涵。只有让学生了解传统纹样与图案的文化背景和寓意，才能更好地理解其艺术价值和意义。

（二）结合学生的实际生活

传统纹样与图案的学习应该与学生的实际生活相结合，让学生在生活中感受传统纹样与图案的美。教师可以引导学生观察身边的传统工艺品、建筑装饰等，让学生了解传统纹样与图案在实际生活中的应用。

（三）鼓励创新与个性发展

在学习传统纹样与图案的过程中，教师要鼓励学生进行创新设计，发挥自己的想象力和创造力，创作出具有个性的美术作品。同时，教师也要尊重学生的个性差异，因材施教，让每个学生都能在学习中得到充分的发展。

（四）合理运用教学资源

教师可以充分利用多媒体教学设备、图书馆、博物馆等教学资源，为学生提供更加丰富的学习资料和学习体验。同时，教师也可以邀请民间艺人、工艺美术师等走进课堂，为学生进行现场示范和讲解，让学生更加直观地了解传统纹样与图案的制作工艺和文化内涵。

七、结论

小学美术教学中传统纹样与图案的学习具有重要的价值和意义。通过学习传统纹样与图案，学生可以提高审美能力、激发创造力、增强文化传承意识、提高综合素质。在教学过程中，教师可以采用欣赏教学法、讲解教学法、实践教学法、合作学习法等多种教学方法，结合实际教学案例，引导学生积极参与学习。同时，教师也要注意注重文化内涵的讲解、结合学生的实际生活、鼓励创新与个性发展、合理运用教学资源等问题，以提高教学效果。总之，传统纹样与图案是中华民族传统文化的瑰宝，在小学美术教学中应该得到充分的重视和传承。

参考文献：

1.《美术课程标准》，北京师范大学出版社，2021 年版。

2.《中国传统纹样图鉴》，东方出版社，2023 年版。

3.《民间美术概论》，湖南美术出版社，2022 年版。

4.《小学美术教学策略》，北京师范大学出版社，2024 年版。

5.《中国传统图案与现代设计》，中国建筑工业出版社，2023 年版。

6.《儿童美术教育》，高等教育出版社，2024 年版。

7.《美术教育展望》，华东师范大学出版社，2022 年版。

备注：本文系宿迁市教育学会“十四五”规划2024年度一般课题“小学美术教育中传统纹样与图案的学习与应用研究”研究成果（课题编号：XHLX2024—003）