結合模態轉換擴增資料及主動輪廓模型之卷積神經網路於醫學影像分割及其遮罩之準確率預測

Abstract

肝癌是全球盛行率高的疾病，臨床上常藉由分析醫學影像來診斷肝臟的病變情形，然而，傳統上醫學影像是醫師經由專業知識肉眼判斷臟器的位置，除了需花費許多時間與精力閱片外，亦可能產生誤判、或標準不一致。隨著電腦視覺與深度學習技術的發展，影像分割被廣泛應用於醫學影像的處理上，因此倘若能在臨床上即時地進行肝臟與腫瘤的影像分割，可以有效協助醫師進行病患術前的評估。因此，本論文旨在建立肝腫瘤的分割模型，利用卷積神經網路搭建基礎架構，設計二階段式分割流程，首先判斷肝臟的區域，再接著由肝臟的範圍來分割出腫瘤，藉此自動化圈選腫瘤位置。 醫學影像具有兩大特性，一為訓練遮罩的不精確，一般而言，肝臟與腫瘤的圈選是經由醫師判斷後手工畫記，常有邊界不完整的問題，若以此人工遮罩作為訓練資料將導致模型產生學習偏誤，無法有效並正確地分割目標臟器。為此，本研究先對不精準遮罩進行修正，利用主動輪廓模型使遮罩更貼合臟器邊緣。第二個特性是醫學影像的稀少性，醫學影像取得不易，尤其腫瘤切片資料更是高度不平衡，過少的訓練資料易使模型無法有效學習圖像特徵。因此，本研究發展基於CycleGAN的模態轉換技術，將公開的大量CT影像轉換為目標MR，並保留原始CT影像中的腫瘤區域形狀，達到資料擴充的目的，提升腫瘤分割之品質。 過往在衡量模型成效時，多以比對模型預測值與真實答案間的差異，然而當模型應用於實際場域時，面對沒有正確答案的測試資料，往往無法進行評估。為解決此問題，本研究設計一套切片審查機制，用以預測分割模型的分割表現，為分割模型的輸出提供一「信心程度」的評比，判斷模型的預測是否可靠，篩選出準確度低的切片交由醫師做進階的檢驗工作。綜合言之，本研究提出之二階段腫瘤分割結果於Dice係數達到88%，IoU有79%的準確率，優於僅用原始MR資料之訓練結果。