基于三维残差卷积神经网络的脑肿瘤分割研究

发布时间：2021-03-18 17:08

　　脑肿瘤是最具侵略性和致命性的一种癌症,会减少人的生命周期,严重的会导致死亡。因此准确的分割肿瘤以及合适治疗计划可以降低脑肿瘤对健康的危害。目前医生通过手动方法分割肿瘤,然而手动分割依赖于医生的临床经验,容易造成误差。而且不同的医生有不同的评价标准,这也对准确的脑肿瘤分割带来一定困难和挑战。计算机辅助分割方法分割精度高,可以为医生提供辅助性的诊断意见,有助于脑肿瘤疾病诊断和手术方案制定,从而提高治愈率。因此,研究高效且可靠的半自动或自动的计算机分割方法对于脑肿瘤疾病的诊断具有重要的临床实际意义。近年来,基于卷积神经网络的自动分割方法在脑肿瘤分割领域获得了较大的进展,但是依然存在不足。其中二维（Two dimensional,2D）卷积神经网络（Convolutional neural networks,CNNs）缺少空间信息,分割精度具有一定的局限性。而三维（Three dimensional,3D）CNNs虽然有较优的分割性能,但是其参数量过大且计算复杂度过高。针对上述问题,本文提出了一种基于3D残差卷积神经网络的算法用于脑肿瘤分割问题,该算法不但精确度高,而且具有较低的GPU内存消耗... 

【文章来源】：湘潭大学湖南省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

纵向弛豫过程

3为T2对含水组织较为敏感，所以T2模态中更利于观察组织病变。Flair常用于对脑脊液（Cerebralspinalfluid，CSF）抑制，使得脑脊液和脑水肿更加易于区分。T1C通过造影剂，加强对血管的显示。在临床诊断中，医生基于常用的四种模特所提供的不同信息，给出最终的诊断结果。图1.2显示了一个病人的不同模态，从左到右分别是Flair，T1，T1C，T2。图1.2脑胶质瘤的不同模态1.1.3脑肿瘤分割的意义与其他类型的肿瘤相比，脑肿瘤是最致命的一种肿瘤。脑胶质瘤又是脑肿瘤中最具侵略性的一种类型，会严重威胁人的生命[5]。脑胶质瘤最常见的治疗方法包括放射疗法、化学疗法和外科手术[1]。在早期发现并分割出LGG，采用相应的治疗手段可以有效的控制病情的发展。对于HGG，准确的分割并给出对应的治疗计划可以延缓肿瘤的进一步恶化，延长病人的生命。这些治疗方法依赖于常见的医学影像技术，通常需要医生通过MR成像手动分割脑胶质瘤。由于脑胶质瘤形态分布复杂，具有浸润性[2]，所以分割情况复杂，再加上医生长时间工作会因为疲劳而产生误差，而且不同的医生的判定标准不同，以上这些因素都给精确的分割出脑胶质瘤带来了更大的挑战。一个自动或者半自动的计算机分割算法可以为医生提供辅助性的诊断意见，减轻医生工作量，提升医生的工作效率，配合医生给出更加准确的治疗方案。因此，基于计算机的分割算法得到越来越多医生的认可，大量的学者专家投入到这项研究中来。所以设计一个准确的计算机分割算法能够有效的减轻医生负担并提高患者的治愈率。1.1.4研究的难点和挑战传统的机器学习方法在医学影像分析领域已经取得了不错的进展，很多研究成果已经被初步应用到不同的医学影像领域。2012年以后随着深度学习技术在医学影像领域中取得重大突破，基于二

11络的基本结构和典型的网络模型。卷积神经网络是由单一神经元逐层堆叠而成，层与层之间相互连接，构成了整个的卷积神经网络。其基本组成结构有：输入层、卷积层、池化层、激活函数和输出层。1）输入层卷积神经网络的输入可以是图像数据，假如输入是RGB三通道的图，那么输入层将有3个卷积核对输入图像进行卷积操作。因为数据与数据之间的差异性往往很大，所以在输入网络之前，会进行数据预处理操作，如归一化操作、白化，以及PCA降维等。同时为了增强网络的泛化能力，还可以在输入层之前进行数据增强操作，如旋转、平移和仿射变换等。2）卷积层卷积层通过神经网络的卷积核对输入图像或特征图进行卷积操作，以此来提取图像特征。前一层输出的特征再加上激活函数之后作为后一层的输入特征，逐层传递，不断组合和分解特征，最后得到输出结果。浅层卷积层的特征往往具有较高分辨率，而且信息量更多，可以观察出所提特征的具体含义，如边缘、轮廓，以及一些具体的形状。而高层特征更具有抽象性，肉眼难以识别特征意义。相对来说，低层次的特征对分割任务更为重要，高层次特征对分类任务更为重要。图2.3卷积操作示例图图2.3显示的是卷积的一个基本操作过程，其中深蓝色表示大小为3×3的卷积核，浅蓝色表示大小为5×5的特征图。3×3卷积核的每一个位置上的权重与特征图上对应位置的数值相乘，最后将9个数值相加得到图中灰色方块，即为一次卷积操作。卷积核以滑动窗口的形式从左至右从上到下进行滑动，滑动的步长可以自己设置。3）激活函数从图2.3我们可以看出，卷积层的卷积操作是一个简单的线性操作，但是现实中的各种特征描述通常是非线性的，而仅仅依靠线性操作几乎不可能去拟合非

【参考文献】：
期刊论文
[1]脑功能磁共振成像原理及其在神经外科学中的应用[J]. 苏春秋,邱小红,马蔚吟,郁芸.  中国医学装备. 2015(03)
[2]一种基于Mum ford-Shah模型的脑肿瘤水平集分割算法[J]. 张治国,周越,谢凯.  上海交通大学学报. 2005(12)



本文编号：3088650