10.3969/j.issn.0372-2112.2019.08.018
多分类CNN的胶质母细胞瘤多模态MR图像分割
为提高胶质母细胞瘤(GBM)多模态磁共振(MR)图像中各肿瘤子区域分割的准确性,提出一种多分类卷积神经网络(CNN)的GBM多模态MR图像自动分割算法.首先在98％ 缩尾处理和配准GBM多模态MR图像后,利用N4ITK法校正偏移场;其次构建一个主要由4个卷积层、2个池化层和2个全连接层组成的多分类CNN模型,训练后预分割GBM多模态MR图像,将体素分为5类不同的标签;最后移除所有小于200体素的假阳性区域,中值滤波后获得最终分割结果.以Dice相似性系数DSC、阳性预测值PPV和平均Hausdorff距离AHD为评价指标,利用所提出的算法对F-C-GBM数据集中整个肿瘤组织进行分割,获得的DSC、PPV、AHD分别为0.889±0.087、0.859±0.127和1.923.结果表明,该算法能有效提高GBM多模态MR图像分割的性能,可望有临床应用前景.
胶质母细胞瘤、多模态磁共振图像、自动分割、多分类卷积神经网络、图像块
47
TP391.41(计算技术、计算机技术)
国家自然科学基金61602419;浙江省自然科学基金LY16F10008,LQ16F020003
2019-09-09（万方平台首次上网日期，不代表论文的发表时间）
共10页
1738-1747
