检索历史 清除

摘要脑部肿瘤是一种很常见的神经外科疾病，作为脑部高危疾病的一种，对于人类的生活健康造成了严重的危害。为了充分利用医学影像信息，并且帮助医生快速准确地做出疾病诊断，深度学习模型在脑肿瘤分割任务中表现出了强大的特征提取能力。然而由于脑肿瘤的形状多种多样及脑部影像的多变性，模型对脑肿瘤的分割效果仍然有一定的提升空间。<br>　　（1）本文针对以往的Unet网络结构复杂、参数过多、计算量过大，导致无法满足人们对计算速度和精度的要求的问题，为提高计算速度和精度，同时提高训练过程中细节特征质量，引入倒残差模块(InvertedResidualsBlock)代替Unet网络中编码和解码阶段的卷积模块、并在编码和解码间加入改进的残差卷积注意力模块(ResidualsConvolutionalBlockAttentionModule,ResCBAM)——提出InR-ResCBAM-Unet改进模型。基于Brats2019数据集，本文对提出的Unet网络改进模型进行消融实验，并与TrUE-Net网络、ConResNet网络以及OM-Net网络进行对比，利用Dice系数（DiceSimilarityCoefficient）和豪斯多夫距离（Hausdorffdistance，HD）作为评价指标对模型的分割效果进行分析。实验结果表明，InR-ResCBAM-Unet网络不但提高了网络的运行速度，还大幅度减少了参数量，同时提高了网络分割效果。<br>　　（2）由于本文提出的InR-ResCBAM-Unet网络中使用了大量的卷积运算，会使网络在明确建模远程依赖关系方面显示出局限性，并且网络不能完全并行化，会对网络的训练速度有一定的影响。因此本文基于息肉分割的金字塔视觉Transformer（PolySegmentatiionwithPyramidVisionTransformer，Polyp-PVT）网络运行速度快、分割精度较高的优势，采用Polyp-PVT网络作为基础模型，本文为了提高网络对特征融合的能力，在不增加计算量和参数量的前提下，完成通道间的信息混合，增强分割效果，引入选择融合注意力（AttentionalSelectiveFusion，ASF）模块替换Polyp-PVT网络中的级联融合模块（CascadedFusionModule，CFM）、并且在ASF模块之前引入通道混洗（Channelshuffle）模块——提出PVT-ASF-CS网络。基于Brats2019数据集，本文对PVT-ASF-CS网络进行消融实验，并与模型TransBTS网络、VT-Unet网络以及InR-ResCBAM-Unet网络进行对比，使用Dice系数和HD作为评价指标对模型分割效果进行分析。实验结果表明，本文所提出的Polyp-PVT网络的改进模型能够提取更多更好的特征，对脑肿瘤的分割效果较好。