论文部分内容阅读
丘脑是人脑的中转站,接收除嗅觉外的所有感觉信号,并传递至大脑皮层区域。丘脑可以划分为多个核团,并且每个核团有其特定的功能。核团与特定皮层区域存在连接或者成为皮层连接之间的中继。众多神经系统疾病与丘脑核团的损坏有着密切的联系,如阿兹海默症、帕金森症、精神分裂症、癫痫等多种疾病。深部脑刺激手术通过对丘脑特定核团植入起搏器,可以有效治疗上述疾病。因此,精准的丘脑分割对于大脑认知研究、神经疾病的机制研究与诊断治疗等领域具有重要价值与意义。磁共振成像(Magnetic Resonance Imaging,MRI)具有高分辨率、良好的对比度、无辐射等多种优点,被广泛应用于脑认知研究、神经系统疾病的诊断与治疗。磁共振成像为丘脑的准确分割提供了良好的基础。手动分割核磁共振图像是一个非常耗时且繁琐的任务。自动、准确的丘脑分割对于后续的诊断与治疗具有重要价值。卷积神经网络作为近年来发展的新型技术,被越来越多地运用于医学影像分割。然而现有针对卷积神经网络方法未能充分考虑成像噪声以及丘脑与周边组织对比度较低等因素。针对这些挑战,本文提出了一种新型的卷积神经网络——残差密集U形网络(Residual Dense U Network,RDU-Net)。RDU-Net 引入 DenseNet 中的密集连接,提高了每层网络的特征提取能力,降低了噪声的影响,并且使得提取的特征更好地区分丘脑与周边组织;同时引入ResNet残差学习策略,解决了网络加深带来的梯度弥散问题,大幅降低了更深层次网络的训练难度,使分割效果得到了提升;最后引入InceptionNet中的瓶颈设计,对网络参数规模进行了压缩,在保证网络的特征提取能力的前提下,减少了对计算资源的要求。为了评估本文提出的RDU-Net网络模型的性能,本文选择真实通用的IBSR和HCP数据集进行了实验。分割性能的评估采用了戴斯相似性系数(Dice Similarity Coefficient,DSC)、交并比(Intersection over Union,IOU)、绝对体积差异(Absolute Volume Difference,AVD)、豪斯多夫距离(Hausdorff Distance,HD)4个评估指标。实验表明,RDU-Net能够有效地对脑MRI图像中丘脑进行分割,各评估指标较经典网络模型有较大优势,验证了 RDU-Net丘脑分割的有效性,具有一定的临床应用前景。