肝癌作为一种常见的恶性肿瘤疾病目前已是世界上最普遍的癌症之一,我国的肝癌发病率更是高居世界前列。因此,借助日益发展的计算机辅助诊疗手段从CT影像中分割出肝脏及肿瘤对于医生进行临床诊断和手术治疗都具有非常重要的指导意义。然而,肝脏尺寸、位置等信息因人而异,腹腔器官及组织连接复杂,医学影像对比度低并且肿瘤具有多样性和扩散性,边界模糊,密度分布不均等问题,要实现肝脏及肿瘤的自动化分割仍是非常具有挑战的任务。本文针对增强CT中多期图像特征的融合问题、肝脏肿瘤的尺度问题以及网络训练过程的优化这三个方面提出了一种基于深度瓶颈结构的多尺度DC-CUNets肝脏肿瘤分割方法,论文的主要研究工作和创新点如下:(1)提出了基于双通道级联U-Nets(DC-CUNets)的多期CT肝脏肿瘤分割方法。首先,本文基于级联FCN(CFCNs)的思想设计了两级U-Net分割网络,利用第一级U-Net来分割肝脏,然后将分割出的肝脏感兴趣区域输入第二级U-Net网络来分割肝脏肿瘤。其次,由于增强CT包含对患者静脉注射造影剂后不同时间段的多组扫描图像,考虑到不同组图像中包含不同的图像特征,本文设计了双通道U-Nets来分别学习动脉期和静脉期CT中的图像特征,并通过特征级联实现双通道特征融合,从而提高整体肝脏肿瘤的分割精度。(2)提出了基于多尺度DC-CUNets的多期CT肝脏肿瘤分割方法。病患体内的肝脏肿瘤会因为患病的不同阶段呈现不同的尺寸,而不同尺寸的肿瘤特别是小尺寸的肝脏肿瘤在经过多层网络后会随着特征图像的分辨率减小而无法准确重建。针对肝脏肿瘤的尺度问题,本文设计了双层多尺度空洞卷积模块来分别获取大、中、小三个尺寸下肿瘤的图像特征,并在模块的输出对多尺度特征进行融合。本文将双层多尺度空洞卷积模块替换了第二级双通道肝脏肿瘤分割U-Nets中第四模块的卷积层来实现基于多尺度DC-CUNets的分割网络。(3)提出了基于深度瓶颈结构的多尺度DC-CUNets多期CT肝脏肿瘤分割方法。原始U-Net的网络深度有限,对于特征提取的能力也有限,而直接增加隐藏层的数量不仅会带来复杂的网络参数计算量,也会导致医学影像分割这种小数据集分割任务网络训练过拟合。为了优化网络训练过程,本文提出了两种深度瓶颈结构来代替原U-Net收缩路径中的卷积层,达到提升网络深度同时减少网络训练参数的目的。将深度瓶颈结构融合于肝脏分割U-Net和多尺度的双通道肝脏肿瘤分割U-Nets,本文实现了基于深度瓶颈结构的多尺度DC-CUNets。本文基于江苏省人民医院的40套带有高质量肝脏及肝脏肿瘤标注的腹部增强CT对所提出的方法进行了实验及分析,实验中的对比方法包括单层FCN网络、CFCNs网络和HDense UNet分割网络。实验结果表明,双通道级联U-Nets结构与多尺度空洞卷积模块都能够提升肝脏肿瘤的整体分割精度,而深度瓶颈结构则能够有效提升网络训练的有效性和可靠性,加快网络收敛速度。