论文部分内容阅读
恶性脑肿瘤(俗称脑癌)是世界上最可怕的癌症类型之一,通常会使患者的认知功能下降、生活质量变差。由于核磁共振成像技术的优越性与无创性,通过跟踪患者的肿瘤变化情况,可为不同患者提供个性化治疗方案,从而使得基于MR图像的脑肿瘤分割成为国内外研究的热点问题。但因脑肿瘤可出现在大脑的任何位置且大小不定、形状不规则,人工分割耗时又费力,且主观性大,基于传统机器学习的图像分割算法又很难同时兼顾分割的精确度与全自动性,可见脑肿瘤分割仍是一项具有挑战性的任务。目前随着人工智能和深度学习新技术的崛起,基于卷积神经网络的方法得到广泛应用,故本文以多模态MR脑肿瘤图像为基础,以深度学习方法为技术手段,对脑肿瘤图像分割问题进行以下研究:1、针对现有机器学习算法分割脑肿瘤图像精度不高的问题,提出一种基于改进的全卷积神经网络的脑肿瘤图像分割算法。该算法首先将FLAIR、T2和T1C三种模态的MR脑肿瘤图像进行灰度归一化,随后利用灰度图像融合技术得到脑肿瘤信息更加全面的预处理图像;然后采用融合三次脑肿瘤特征信息的全卷积神经网络对预处理图像进行粗分割,并融入批量正则化层以加快网络收敛速度,提高模型精度;最后融合全连接条件随机场细化脑肿瘤分割边界。实验结果表明,相较于传统的卷积神经网络脑肿瘤图像分割算法,本算法在分割精度和稳定性上有了较大提升,平均Dice可达91.29%,实时性较好。2、为了使分割结果对专家医师提供实质性指导,算法不再对二维分割结果进行三维重建,提出一种结合3D U-Net与残差结构的全自动脑肿瘤图像分割算法。该算法首先对FLAIR、T2及T1C图像进行去偏置场效应以提高脑肿瘤部分的对比度;然后建立3D U-Net与残差结构的融合网络,并以Dice损失作为目标优化函数,以Adam算法作为网络优化准则,利用训练集进行模型参数的自动学习,利用验证集监控模型的过拟合程度;最后在测试集上进行脑肿瘤图像分割与评价。实验结果表明,本算法可完成三维脑肿瘤图像的高精度分割,平均Dice可达92.52%,并且成功实现肿瘤核心部分的多分类任务分割。本文从二维和三维两种设计模式实现了不同的脑肿瘤图像分割算法框架,都取得了较高的分割精度,可对临床分割提供指导。