蔡 静，陈秋叶，韦瑞华，蔡光雄，刘海华

    (中南民族大学生物医学工程学院，湖北 武汉 430074)

    随着空气污染越来越严重，一些常见的呼吸系统疾病如哮喘、慢性支气管炎、慢性阻塞性肺疾病和肺癌等给人们带来严重的损害[1]。基于医学影像的手术导航在提高医生手术准确率和高效性方面具有突出的优势，特别是在肺穿刺手术导航中，精准的分割气道树能有效降低手术的风险。同时，在肺癌放疗计设计中，对气道精确分割有助于提高精准治疗的效果。相对于其他实体器官或者肿瘤组织的分割任务，气道呈树形结构具有多分枝和分叉点的尖锐形状，受呼吸运动和成像噪声等的影响，末端易出现断裂，并且在细支气管分割时因外壁较薄较模糊导致易过分割渗入相邻的肺实质中，人工分割气道树是极其耗时繁琐的[2]，这些结构上的特点使得对气道分割仍然是一项具有重要临床意义且极具挑战的研究课题。当前的气道分割方法存在计算量大，自动分割精度有待提高的问题。为此，本文提出融合三个断面的解剖信息，基于并行空洞卷积的浅层U-Net网络的方法，将三个断面的2D网络预测的结果三维堆叠后，学习对应体素加权系数，实现2.5D融合来自动分割气道树，现总结如下。

    1 资料与方法

    1.1 资料获取 本实验数据集包含60例公开CT图，其中40例来自LIDC_IDRI，20例来自EXACT09，从中随机选取11000张气道CT图像用于本实验的研究。其气道金标准由Qin Y等[3]使用ITK-SNAP勾出基本气道树标签，经训练有素的专家手动验证和完善并公开。该实验研究在中南民族大学医学信息分析与肿瘤诊疗实验室完成，硬件环境为NVIDIASMI 396.26，软件环境为anaconda 4.5.4，keras 2.1.6，网络训练使用Adam优化器，学习率为10-3，训练设置100次迭代。

    1.2 方法 为了去除图像噪声等对细支气管的分割干扰，采用了高斯平滑滤波的预处理。首先将横断面、矢状面、冠状面的2D胸腔CT图片，通过浅层U-Net网络结构[4]的卷积神经网络，改进之处在于将原始5层下采样改为3层，只包含2层池化层的网络，并在最低端加入4种不同空洞率的并行空洞卷积，然后经过两层上采样，类似U-Net结构，将对应高维特征连接起来，最后经过一个sigmoid函数得到预测概率图。将测试集得到的预测概率图三维重建，经过旋转等变换使像素位置匹配后，通过一个简单卷积层学习三个断面预测概率的加权系数 ......