论文部分内容阅读
脑胶质瘤是最常见的原发性脑肿瘤,会对患者健康造成巨大威胁。基于MRI的脑胶质瘤分割是辅助医生对脑胶质瘤的外部形态进行观察、分析和诊断的重要手段。在目前提出的脑胶质瘤分割方法中,基于传统图像处理和机器学习的脑胶质瘤分割方法效果不够理想,因此基于深度学习的脑胶质瘤分割方法被广泛应用。且在基于深度学习的脑胶质瘤分割方法中,全卷积网络模型具有良好的脑胶质瘤分割效果。针对目前全卷积网络模型存在的感受野较小、模型深度较浅以及编码解码过程信息损失较大等问题,提出2DResUnet(2D Residual Block Unet)模型。该模型在Unet模型的基础上加入ResBlock机制,并在模型的输入层添加高斯噪声层进行数据增强,以及使用二维卷积层替换池化层,因此相较于原始Unet模型具有更强的特征提取能力。同时在训练过程中通过使用Generalised Dice Loss与Weighted Cross Entropy之和作为损失函数,从而缓解了脑胶质瘤数据中存在的类别不均衡的现象,能够有效分割脑胶质瘤。针对二维全卷积网络存在的三维空间信息获取不足,以及三维全卷积网络存在的显存消耗问题,在2DResUnet的基础上提出一种以级联方式进行脑胶质瘤分割的DM-DA-Unet(Dual Multidimensional Dense Attention Unet)模型,该模型在不同阶段使用不同维度的全卷积网络对脑胶质瘤进行分割,并使用DenseBlock,Attention以及多尺度融合等机制对模型结构进行优化,以及使用固定区域采样的方式减少三维卷积网络的显存消耗,因此能够充分利用脑胶质瘤图像的多序列信息,进一步地提高脑胶质瘤的分割精度。通过BraTS数据集进行模型分割效果评估。使用BraTS18数据集进行本地五折交叉验证,并使用BraTS17数据集进行官方在线评估。评估结果显示,DM-DA-Unet在BraTS17验证集上脑胶质瘤分割结果的水肿区域、核心区域和增强区域的平均Dice Score分别达到0.90,0.80,0.74,平均敏感度分别达到0.89,0.77,0.75,与当前在BraTS17验证集上最好的模型分割效果接近,能够对脑胶质瘤进行精确分割。