摘要

肝癌是导致癌症死亡的主要原因之一。为了辅助医生进行肝细胞癌的诊断和治疗计划制定，临床实践中迫切需要一种准确且自动化的肝脏和肿瘤分割方法。近年来，全卷积神经网络（FCNs），包括二维和三维全卷积神经网络，在许多体积图像分割任务中发挥了核心作用。然而，二维卷积无法充分利用第三维度的空间信息，而三维卷积则面临高计算成本和GPU内存消耗的问题。为了解决这些问题，我们提出了一种新型的混合密集连接UNet（H-DenseUNet），该模型由一个用于高效提取切片内特征的2D DenseUNet和一个基于自上下文算法精神、用于分层聚合体积上下文的3D DenseUNet组成，以实现肝脏和肿瘤的分割。我们在端到端的学习过程中对H-DenseUNet进行了建模，其中切片内表示和切片间特征可以通过混合特征融合（HFF）层联合优化。我们对我们的方法在MICCAI 2017肝肿瘤分割挑战赛（LiTS）数据集和3DIRCADb数据集上进行了广泛评估。结果表明，我们的方法在肿瘤分割方面优于其他现有技术，并且即使使用单个模型，其在肝脏分割方面的性能也非常具有竞争力。