基于深度学习的脑肿瘤MRI图像分类研究
脑肿瘤是当今发病率和死亡率前十的恶性肿瘤之一,及时发现并准确判断脑肿瘤类型可以为患者争取宝贵的治疗时间。通常情况下，脑肿瘤的诊断方式主要是由医生根据病人的脑部核磁共振成像(MagneticResonanceImaging,MRI)进行标注及确诊。但是随着工作量的增加，医生的身心负担也在增加，可能会影响诊断效率。近年来，随着深度学习的不断发展，利用计算机视觉技术辅助医生判读医疗影像的方法能够减轻医生的负担，提高诊断效率。因此开展基于深度学习的脑肿瘤MRI图像分类研究具有重要的应用价值。本文在此背景下开展了对脑肿瘤MRI图像的分类研究，完成了如下工作: 在数据预处理方面，为了增强模型的泛化性和鲁棒性，对数据集中的训练集进行进一步的扩充。针对传统深度卷积生成对抗网络(DeepConvolutionGenerativeAdversarialNetworks,DCGAN)存在的成像不清晰,拟合速度慢等问题，本文提出了一种基于改进DCGAN的图像生成模型Improved-DCGAN来对原数据集进行数据扩充。为了提高生成图像的清晰度，该模型在原始DCGAN的基础上，增加了生成器的反卷积层数量，并在判别器中引入了特征融合的方法。经过对比实验，证明了所提出的Improved-DCGAN相较于原始DCGAN,loss曲线拟合度更高，拟合时间更短，生成的图像更清晰。 在图像分类模型方面，为了对脑肿瘤MRI图像类型进行准确分类，本文提出了一种SEAC-ResNet模型,该模型在ResNet骨干模型的基础上,在每一个残差块中分别加入具有通道注意力机制的压缩和激励(SqueezeandExcitation,SE)模块，在全连接层前加入非对称卷积(AsymmetricConvolutions,AC)模块，再使用Softmax分类器进行分类。SE模块通过构建不同特征通道之间的关联，提高包含特征信息的通道重要性，加强网络提取肿瘤区域特征的指向性，提高了肿瘤组织在整幅图像的关注度;AC模块通过不同形状的卷积提取不同分支特征，增加特征的多样性，得到更加充分的特征，对模型整体起到了增强的效果。 为了验证提出的SEAC-ResNet模型的有效性。基于多种评价指标(精度、召回率、F1得分、特异性、准确率、Kappa系数)分别在Kaggle数据集和CE-MRI数据集上进行了消融实验、可解释性分析实验、对比实验、鲁棒性实验及泛化性实验。结果表明SEAC-ResNet模型相较于其他七种脑肿瘤分类模型(CNN-LSTM、Deep-CNN、Multiscale-CNN、HQC-CNN、Patch-ResNet、Block-WiseVGG19、RNGAP、CNN-SVM),具有更好的分类效果，并且具备较强的鲁棒性和泛化性，说明该模型在实际医疗场景中作为一种医疗诊断的辅助工具，可以帮助医生减少工作负担，是一种可行且可靠的脑肿瘤MRI图像的分类模型。
图像分类;核磁共振成像;生成对抗网络;深度学习;脑肿瘤
北京化工大学
硕士
电子信息
谷宇;高肇冬
2023
中文
TP391.41
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）