检索历史 清除

摘要脑胶质瘤为脑肿瘤中占比最大、恶性概率最高的肿瘤。磁共振成像对软组织具有较高的成像分辨率，已被广泛应用于脑部疾病诊断领域。针对脑胶质瘤磁共振图像中的肿瘤区域进行准确而快速地分割，可以获得肿瘤的位置、大小等生理信息，进而辅助临床专家建立对患者的诊疗计划。<br>　　本文针对此任务主要开展了以下三方面研究：<br>　　(1)为满足脑胶质瘤图像的高精度分割场景需求，将脑胶质瘤分割问题转化为脑胶质瘤特征信息提取任务。然而脑胶质瘤图像中纹理特征以及边缘特征较为复杂，DeepLabv3+存在特征提取不准确的问题。为此本文在其骨干网络中加入卷积块注意力模块，根据不同特征信息的重要性对其赋予不同的权重；使用更为平滑的Mish激活函数，在保持脑胶质瘤病灶分割高精准度的同时避免训练过程中出现梯度爆炸、过拟合等现象。最终针对BraTS2019数据集模型的Kappa系数达到了90.74%，Dice系数达到了91.11%，相较原基础模型实现了0.95%和0.91%的性能提升，接近同类研究的最高水平，显示了更好的适配性和更高效的脑胶质瘤特征学习能力。<br>　　(2)为满足脑胶质瘤图像的轻量化分割场景需求，提出基于Transformer网络的脑胶质瘤磁共振图像分割模型。针对自注意力模块的算力负荷问题，引入轴向注意力模块降低计算量，采用全局-局部的训练策略完成对轴向大尺度特征和局部纹理特征的同步提取，进而完成脑胶质瘤磁共振图像的肿瘤分割任务。最终针对BraTS2019数据集模型平均像素精度为93.91%，优于其他图像分割模型，平均交并比为71.51%。通过模型的计算参数量对比，验证了模型对于算力的低依赖性，适配移动端处理脑胶质瘤图像低算力场景。<br>　　(3)为降低临床专家阅片工作量，提出基于VGG孪生网络对脑胶质瘤磁共振图像相似度特征学习模型。根据核心帧图像与被判别图像的相似度阈值设定，控制图像帧数压缩比，实现关键帧影像的智能抓取。在与临床专家人工抽取关键帧的对比实验中，模型平均准确率达到92.97%。<br>　　基于本文算法模型编写了应用软件，并在三甲医院进行了临床测试。综合临床病例MRI影像及诊断报告结果，初步验证了本文算法的可行性和临床价值，并与临床专家充分交流完成对于分割结果的定量评估分析，同时对算法的改进方案进行了探讨。