近日，上海大学机自学院机械自动化工程系李静副教授、沈南燕副教授及其团队在人工智能领域的研究成果“StudyonStrategyofCT ImageSequenceSegmentationforLiverandTumorBasedonU-netandBi-ConvLSTM”在SCI一区（计算机科学）TOP期刊《ExpertSystemsWithApplications》（ESWA，CS=11.0，IF=5.452）上公开发表，上海大学为论文第一单位，李静老师为论文第一作者，沈南燕老师为论文通讯作者，研究生欧雪为论文第二作者。

图1.文章封面

在文章中，作者分析了当前的全卷积神经网络（FCN）都是基于单张CT图像进行肝脏和肿瘤的分割，未充分利用CT图像的序列间信息，而3D网络虽然充分利用了序列间信息，但是硬件和时间成本相对较高，普适性较差。针对以上问题，作者提出了新的分割策略，可在较低的硬件和时间成本下从不同层面提升肝脏和肿瘤的分割效果。其中策略A将Bi-ConvLSTM作为U-net的后置处理环节，通过引入序列信息来纠正U-net的分割结果，分别对比了模型的深度、宽度以及残差结构对模型性能的影响；策略B将序列融合环节直接融入到U-net的特征提取过程中，并构建了“W-net”的端到端模型。实验结果表明，策略A的分割结果倾向于缩小肿瘤区域，适用于肝脏肿瘤的消融手术规划，以防止在穿刺过程中损害肝内大血管等重要组织；策略B倾向于扩增肿瘤区域，适用于肝癌的早期筛查，可全面发现隐患，降低漏诊率，对于早期小肿瘤的分割效果尤其显著。作者的探索角度具有一定的新颖性，为肝癌的精准分割做出了一定的贡献，也为其他部位的病灶分割提供了参考。

图2. W-net模型网络架构

图3.病例分割结果

文章链接：https://doi.org/10.1016/j.eswa.2021.115008