检索历史 清除

摘要目的:脑肿瘤是一种常见且致命的神经系统疾病，对人类健康构成严重威胁。早期发现并及时治疗可显著提高患者存活率。目前，医生通常依赖临床观察和MRI图像来诊断脑肿瘤，然而这种诊断方法存在一定的局限性，包括耗时和主观性较强，这可能导致误诊或漏诊，进而延误治疗时机。随着深度学习技术的不断发展，计算机辅助诊断脑肿瘤逐渐受到重视并成为研究热点。然而，脑肿瘤图像的特征复杂多样，使得准确分割病灶区域变得极具挑战性。基于此，本研究专注于MRI脑肿瘤图像的自动分割技术，旨在通过算法优化提升分割精度，并探讨其在临床诊断中的应用价值。研究将评估该技术在提高诊断效率、减少医疗成本及优化患者治疗结果方面的潜力，以期为临床医生提供一种高效的辅助诊断工具。<br>　　方法:本文先对经典图像分割模型U-Net网络进行了改进优化，在原始U-Net网络中引入了深度可分离残差模块、多尺度特征提取模块、跳跃连接模块和混合注意力机制模块后提出了 Mul-Mix U-Net网络。该网络不但具备提取更深层的多尺度特征而且可以更大程度的保证上下层信息的一致性，是更加适用于MRI脑肿瘤分割的网络。其次，对同一数据集采用不同数据预处理的方式，之后对3D U-Net网络进行了改进优化，修改原始3D U-Net网络中的编码器解码器，引入提出的跳跃连接下采样模块、通道保留模块和统合关注模块后提出了新的网络Attentional3DNet。该网络增强了特征提取过程中的信息传递和非线性映射，关注到了肿瘤更多的特征信息，大幅提高了 MRI脑肿瘤分割的精确度。<br>　　结果:本文在MRI脑肿瘤公开数据集BraTS 2018、BraTS 2019上进行了大量实验，实验结果证明提出的两个网络模型是十分有效的。与原始U-Net网络相比，本文提出的Mul-Mix U-Net网络分割完整肿瘤的Dice系数提高了 3.1％达到了 87.15％，PPV、Sen指标分别提高了 3.82％和2.95％，分割核心肿瘤的Dice系数提高了 2.69％达到了 87.2％，PPV、Sen指标分别提高了 2.01％和0.09％,分割增强肿瘤的Dice系数提高了 3.32％达到了 81％,PPV、Sen指标分别提高了 5.49％、2.05％。完整肿瘤、核心肿瘤、增强肿瘤的分割指标全部达到了 80％以上。与原始3D U-Net网络相比，本文提出的Attentional3DNet网络分割完整肿瘤的Dice系数提高了 1.57％达到了 92.52％,PPV、Sen指标分别提高了 1.04％和1.87％,分割核心肿瘤的Dice系数提高了 2.752％达到了 89.36％,PPV、Sen指标分别提高了 2.8％、2.57％,分割增强肿瘤的Dice系数提高了 3.67％达到了 90.36％,PPV、Sen指标分别提高了 2.21％、4.51％。完整肿瘤、核心肿瘤、增强肿瘤的分割指标基本都达到了 90％以上。以上结果均证明本文所提出方法对MRI脑肿瘤分割的有效性。<br>　　结论:本文围绕MRI脑肿瘤分割算法进行了研究，对经典的U-Net网络和3D U-Net网络进行了改进和优化。针对U-Net提出了适合该网络的深度可分离残差模块、多尺度特征提取模块、跳跃连接模块、混合注意力机制模块和Mul-Mix U-Net网络，不但能够挖掘脑肿瘤更深层的特征并且很大程度保证深层结构的上下文信息一致性，能够有效的分割出完整肿瘤、核心肿瘤、增强肿瘤。针对3D U-Net提出了适合该网络的跳跃连接下采样模块、通道保留模块、统合关注模块和Attentional3DNet网络，更加专注于脑肿瘤的多尺度特征信息以及边界的重要信息，提高了脑肿瘤的分割精确性。两种方法都能够快速提取脑肿瘤特征，使输出结果更加直观准确。对于缓解医生在脑肿瘤诊断和治疗上的压力具有重要的学术及临床意义。