检索历史 清除

摘要脑肿瘤本质上是身体中枢神经系统中不规则细胞的生长。在脑肿瘤种类中，原发性脑肿瘤与中枢神经系统恶性肿瘤的诊断和治疗难度最大。脑肿瘤中发病率约占百分之四十五的脑胶质瘤是最常见到的原发性脑肿瘤之一，严重威胁到患者的生命。具有多模态协议的核磁共振成像（MRI）成为当下最主流的脑肿瘤获取方法，因此对脑肿瘤MRI医学图像的分割成为了脑肿瘤预测评估和治疗规划的必要前提。然而手动的脑肿瘤医学图像分割是一项技术含量高、耗时长的任务，并且由于不同的脑肿瘤存在着大小、形状和位置的差异，很难通过对比获得它们之间的共同之处。再加上医学图像中病灶边界的模糊不清，这对脑肿瘤的精准分割仍是一项巨大的障碍。<br>　　近年来，快速发展的深度学习（DL）算法在医学图像处理任务中已经获得了非常大的成功，并且也成为了当下脑肿瘤医学图像分割最流行的方法。其中U-Net架构被广泛的应用到医学图像分割领域当中，并逐渐成为最流行的脑肿瘤分割模型。这一模型直接以医学图像为输入，采用带有跳跃连接的编码器-解码器结构，从而增强细节保留使特征提取更精确和高效。在本文中，本文提出了两种改进的二维U-Net变体网络用来解决脑肿瘤分割存在的问题。<br>　　1.考虑到医学图像分割中局部特征和全局特征的重要性，本文提出了一个包含Transformer架构的2D深度残差U-Net（2DRTUnet）。在编码器中本文采用堆叠的瓶颈残差块，并且将dropout添加在编码器和解码器中的每个卷积块堆栈之后。在桥接器本文使用Transformer模块来进行全局特征建模。在解码器中添加了来自编码器输出经过Transformer块后的级联连接。本文在BraTS2020和BraTS2021数据集上进行了大量的实验并评估了提出的网络。通过对比消融实验表明，相比于三维网络，本文在二维卷积网络的基础上，实现了高性能、低运算量的脑肿瘤分割架构。<br>　　2.脑肿瘤分割任务中，三个肿瘤区域均是不规则且多变的，其面积和形状均存在着较大差异，不利于多尺度特征提取。此外，三个肿瘤区域边界的精确分割也是至关重要的，这往往需要高分辨率的特征提取，然而作为桥接器的Transformer模块的输入特征图已经被下采样到了极低分辨率。为了弥补上述问题，本文提出了一种基于可变形残差模块（DRM）和多尺度Transformer聚合U-Net变体网络（2DRMUnet）。DRM被添加到跳跃连接，可以使卷积操作对不同的肿瘤区域自动的改变感受野的大小，以此来获取形状感知的特征信息。多尺度的Transformer聚合被用来对不同分辨率的特征图进行全局上下信息的建模。本文实验中2DRMUnet的性能较之2DRTUnet有着全方位的提升，证明了DRM和多尺度Transformer聚合的有效性。