检索历史 清除

摘要脑肿瘤是当今危害人类健康的癌症类型之一，可以通过手术切除进行治疗。然而，肿瘤的位置、大小随机，并且区域边界不清，给手术带来巨大的困难。核磁共振成像技术（MagneticResonanceImaging，MRI）对人体无明显损伤，可以通过对脑部MRI图像进行分割处理来支持病人后续的诊断。但由于人工分割耗时费力，传统的机器学习分割方法也需要手动提取特征，引入主观性。所以本文使用卷积神经网络，对脑部MRI图像中肿瘤分割问题开展了如下两项研究：<br>　　使用2D卷积神经网络对3DMRI脑部图像切片进行分割，会在训练过程中忽略3D数据间的联系，且在合成的3D分割结果中会出现锯齿、断层等问题，降低分割精度。所以，在硬件条件允许的前提下，3D卷积神经网络是脑肿瘤分割领域的首选技术手段之一。然而，使用3D卷积神经网络分割脑肿瘤存在复杂度大、对设备要求高等问题。对此，本文提出多通道特征自动选择网络。此网络用改进的逐通道卷积来降低对硬件资源的需求，通过多通道卷积单元融合不同感受野下的特征，并使用挤压与激励单元建立不同通道间的相互依赖关系。实验结果表明，本网络在肿瘤整体区、肿瘤核心区和肿瘤增强区的平均Dice相似度系数分别为0.9053、0.8373和0.7847，参数量和计算量分别为2.01M和24.68GFLOPs，分割精度较高的同时节约计算资源并降低网络对硬件设备的要求。<br>　　为了进一步减少网络引入参数量、节约计算资源，本文提出多视图卷积网络。此网络使用伪3D卷积代替传统3D卷积，在实现3D卷积效果的同时节约资源，并且能够有效避免2D卷积产生的锯齿与断层现象。此外，网络中使用不同尺寸的伪3D卷积从不同视图角度卷积提取特征，之后将此特征进行融合，实现脑肿瘤的端到端分割。与此同时，网络中使用同步批量归一化代替传统批量归一化，相当于增加每批次的数据量，对提升网络分割精度具有积极意义。此外，使用分布式数据并行训练方法取代传统的数据并行训练方法，能够有效解决多图像处理器训练时负载不均匀的问题。实验结果表明，本网络在肿瘤整体区、肿瘤核心区和肿瘤增强区的平均Dice相似度系数分别为0.8963、0.821和0.7832，参数量和计算量分别为0.71M和6.64GFLOPs，分割精度较高的同时进一步降低了网络的复杂度。