检索历史 清除

摘要大脑内部细胞的异常生长被称为脑肿瘤，其严重危害人的身体健康。早期发现并及时进行针对性治疗对患者来说至关重要。磁共振成像（MagneticResonanceImaging,MRI）是诊断脑肿瘤最常用的辅助工具，是一种成熟的非侵入性诊断医学成像技术。但肿瘤的形态和内部结构多样、复杂，正常组织和肿瘤组织之间的界限模糊，很难区分。人工分割费时又繁琐，很容易出错。因此，本文基于深度学习算法提出了全自动、高精度的异常脑MR图像分割方法，辅助医生诊断治疗。本文的具体研究工作如下：<br>　　（1）针对网络加深出现信息丢失，重要特征信息不能充分还原的问题，提出了一种基于双重注意力机制的异常脑MRI分割方法。为了获取额外的特征信息，设计一种双编码器的卷积神经网络，输入T1图像和灰度共生矩阵生成的纹理特征图像。在网络中融入残差模块防止梯度消失，融入双重注意力机制模块加大对特征区域的信息提取，减少无关信息的影响。在BraTs2020数据集上肿瘤部分、脑脊液、脑灰质和脑白质的Dice系数分别为0.809、0.914、0.909和0.925。<br>　　（2）提出的双重注意力机制模型得到了较好的分割结果，但存在小区域错误分割。因此在（1）的基础上进行了改进，提出了一种融合多尺度注意力机制的双U-Net异常脑MRI分割方法。该模型由两个相同结构的子网络构成，DU-sub1保留了双编码器的结构，结合残差模块并在解码器中融入多尺度注意力机制进行特征还原，充分利用不同尺度下的特征信息。再通过DU-sub1的输出与T1图像之间进行逐元素相乘的方式输入到DU-sub2，分别起到粗分割与细分割的作用。采用广义骰子损失和分类交叉熵损失相结合的方式进行训练，在BraTs2020数据集进行验证，肿瘤部分、脑脊液、脑灰质和脑白质的Dice系数分别为0.831、0.917、0.905和0.911。<br>　　（3）针对异常区域脑肿瘤部分分割精度差的问题，提出了一种基于多尺度的脑肿瘤分割方法。首先对数据进行预处理，将不同模态的脑图像融合在一起，进行信息互补。然后网络中融入多尺度特征融合模块，根据多个不同大小的感受野，充分获取上下文特征信息。最后融入残差结构以避免梯度消失。通过实验证明，该方法有效提升了分割精度，在BraTs2020数据集上全肿瘤、核心肿瘤和增强肿瘤的Dice系数分别为0.876、0.862和0.842。