深度学习辅助脑肿瘤图像分割方法研究
临床实践表明核磁共振成像对评估胶质瘤非常有价值，它们会提供精确的脑肿瘤成像，便于医生获得精确的脑肿瘤轮廓。通常，影像科专家手动标注分割肿瘤区域，但是专家手动标注会带来标注耗时，标注差异性等问题。在保留肿瘤图像高分割精度同时，为肿瘤靶区的勾画带来快捷且重复性较高的图像分割方案，成为图像引导放疗技术领域的迫切需求。近年来随着深度学习技术的不断发展，基于深度学习的自动图像分割方法也取得了飞速的发展，为肿瘤靶区自动且高精度分割带来了契机。 论文以公开BraTS数据集的MRI多模态图像为分割对象，利用卷积神经网络来实现并优化脑肿瘤的自动精准分割。通过建立卷积神经网络分割模型，从MRI多模态图像中自动分割出目标区域。 本文研究了一种基于UNet++的二维图像分割算法。首先将ResNet中的残差模块改进融入U-Net和UNet++中，利用改进的残差模块保留最小特征图包含丰富语义信息的特点，提高网络编码器的特征提取能力。用改进的U-Net对BraTS2018的二维切片数据进行训练，因为改进的U-Net和改进的UNet++具有部分相同网络结构，所以引入迁移学习思想，将训练好的改进的U-Net网络权值迁移到UNet++网络中对应相同的位置，实现权值的初始化操作，加快网络收敛速度，同时使分割精度更优。在BraTS2018数据集中对二维切片数据进行训练和验证，仿真实验结果证明该方法实现有效的脑肿瘤的分割。对BraTS2018的3D切块数据进行训练验证，通过仿真实验证明了改进方法的泛化性，对于3DUNet++网络仍具有良好的效果。 在保持目标保真度的同时，设计更加轻量化的3DUNet++网络。首先对MRI图像进行预处理执行标准化、交叉分块和数据增强，从而消除各个模态间的对比度差异，提高网络的泛化能力。然后设计轻量级残差结构替代UNet++中双层卷积结构，使之相较于直接使用双层卷积结构网络，计算量和参数量有了巨幅减少。为了对类残差模块进一步轻量化，本文构建了轻量化类残差结构。最后采用CBAM注意力机制，对长连接后的特征图进行信息筛选，使网络自动关注有效信息，进一步提高网络分割精度。通过对BraTS2019的3D切块数据进行测试，本研究所设计的轻量级卷积神经网络相较于直接使用改进的3DUNet++网络，参数量是后者的1/13.4，计算量是后者的1/3.7，参数量减少了31425331，计算量减少了1817.96G，使得实际医疗部署对设备要求更低，推理速度更快。同时，通过实验证明该方法有效地提升了分割精度。
图像分割;深度学习;脑肿瘤分割;UNet++;残差模块
长春工业大学
硕士
电子与通信工程
侯阿临;宋宁华
2022
中文
TP391.41
2022-10-12（万方平台首次上网日期，不代表论文的发表时间）