基于3维全卷积DenseNet的MRI脑胶质瘤多区域分割算法研究

发布时间：2020-05-28 18:22

【摘要】：原发性脑肿瘤起源于大脑中的肿瘤,在临床上几乎还没找到任何确切的致病因素。在我国每年数以万计的原发性性脑肿瘤患者中,神经胶质瘤的发病数占到了将近一半的比例,是最常见的原发性脑肿瘤。核磁共振成像技术相对计算机断层成像技术而言有更清晰的软组织对比度,能较好地显示大脑内在的结构组织,这对于脑胶质瘤的诊断与治疗具有重大的临床意义。在目前的临床诊治中,脑胶质瘤的体积大小、形状与分布、与周围器官组织的相对位置等信息的获取是进行肿瘤定量分析的一个关键前提,同时对于脑胶质瘤的手术切除与放射治疗计划的制定也有着重要的指导作用。因此,研究脑胶质瘤的精准分割是一个很重要的科研方向。在MR图像中,虽然可以利用多模态技术对脑胶质瘤的很多组织特性进行成像,提升分割的准确性,但是精准分割依然是一个巨大的挑战。这主要是因为脑胶质瘤不同于正常组织,不同个体之间的形状、纹理、大小往往具有不小的差异性。另外,成像技术的限制带来的图像噪声和不均匀性,使得脑胶质瘤的图像复杂多变,难以提取其本质特征。目前较为常见的脑肿瘤分割算法主要分类为基于阈值的分割方法、基于区域的分割算法、基于像素分类的分割算法、基于模型的分割算法和基于图谱的分割算法等。基于阈值的分割算法简单直接但精度往往较低,大多只是作为其他算法的第一步;基于区域的分割算法能得到具有相似特性的区域,但对于部分容积效应形成的模糊边界的分割能力较差,并且对噪声敏感和容易过度分割;基于像素分类的分割方法根据分类器的复杂度而有不同的分割特性,但都需要不少的标注图像进行训练,其中人工神经网络的分割结果具有较高的精度但同时也需要大量的标注数据和训练时间。基于模型的分割算法能引入有用的结构先验知识,但对轮廓曲线的初始化和位置很敏感,且容易陷入局部极小值,同时其泛化性能和抗扰动性也较差;基于图谱的分割方法能利用手动分割图像的高精度优势,但其性能严重依赖于图谱的配准精度。近几年来由于神经网络性能的不断提升,同时有标注的脑胶质瘤图像数量逐步增多和硬件计算性能的飞速提高,这些因素使得基于人工神经网络的分割算法的研究阻碍大大减少,成为了目前的一大研究热点。全卷积DenseNet是目前优秀的人工神经网络之一,其采用密集连接块的形式使得网络重用了图像特征,有效地提升了特征利用率和网络参数的优化效率。全卷积DenseNet在分割自然图像的评估上取得了优异的表现,但直接将其应用于脑胶质瘤的三维多模态MR图像数据中并没有取得很好的结果。由于数据量和数据特性上的不同,需要重新选择一些网络结构与训练数据的超参数值,使得网络结构和脑胶质瘤数据具有良好的匹配度。本文根据经验对训练数据的维度、图像块大小、是否进行数据扩增、网络结构的大小、损失函数的具体形式以及图像预测过程中的融合步长的大小这六个超参数进行了实验。结果表明选择图像块大小为64像素的3维体数据作为训练样本并进行左右翻转的数据扩增操作、在预测时间允许的条件下选择较小的融合步长、在训练时间允许的条件下选择较大的网络结构以及选择逐样本计算Dice损失值的损失函数的超参数,能在有限的硬件条件和时间中更好地提升全卷积DenseNet在脑胶质瘤分割中的性能。由于本文所使用的国际多模态脑肿瘤分割挑战赛的任务目标与一般自然图像的分割目标具有不小的区别,使得原始的全卷积DenseNet的参数学习过程只能间接提高目标区域的分割精度。为了能直接提高脑胶质瘤目标区域的分割精度,本文提出了多Dice损失函数同时引导多区域分割的网络结构。在提取了所有肿瘤组织的通用图像特征后,该结构中的每个网络分支对目标区域内的一类组织进行针对性的图像特征学习,使得网络能学习到更具有辨别性的组织特性,提高对脑胶质瘤MR图像的分割精度。本文使用了挑战赛的数据集BraTS2015进行了分割实验,实验结果表明该结构的确能提高网络对脑胶质瘤目标区域的分割精度。测试集的整个肿瘤区、肿瘤核心区和增强肿瘤区这三个目标区域的平均Dice相似度分别达到了 0.851、0.712 和 0.630。
【图文】：

数据集,例子,肿瘤

ＢｒａＴＳ２０１５数据集包括训练集和测试集两部分。训练集包括２２０例高级别胶逡逑质瘤与５４例低级别胶质瘤及对应的组织分割图像。测试集包括１１０例胶质瘤数逡逑据，但未提供更详细的肿瘤分级与对应的分割图像。脑胶质瘤（图２－１．Ｆ）共分为逡逑以下４类：（１）显示为红色区域的坏死组织，（２）显示为绿色区域的水肿，，（３）显示逡逑为蓝色区域的未增强肿瘤，（４）显示为黄色区域的增强肿瘤。为了评估分割的优劣，逡逑４中不同的组织被组合成了邋３个集合：（１）整个肿瘤，即所有类，（２）肿瘤核心区，逡逑由坏死组织、未增强肿瘤和增强肿瘤组成，（３）肿瘤增强区，仅由增强肿瘤组成。逡逑测试集是不公开的，仅能采用在线上传的评估方式逡逑（ｈｔｔｐｓ：／／ｗｗｗ．ｓｍｉｒ．ｃｈ／ＢＲＡＴＳ／Ｓｔａｒｔ２０１５）。每个病例包括邋Ｆｌａｉｒ（图邋２－ｌ．Ａ）、Ｔ１（图逡逑２－ｌ．Ｂ）、Ｔ１邋增强或者邋Ｔｉｃ（图邋２－ｌ．Ｃ）、Ｔ２（图邋２－１．Ｄ）共邋４邋种邋ＭＲＩ邋模态。Ｆｌａｉｒ邋模态逡逑主要是为了揭示整个肿瘤组织的区域范围；Ｔ２主要是为了体现肿瘤核心区域的逡逑范围；Ｔｉｃ主要显示了增强肿瘤己经在其周围的坏死组织的范围。它们是由多达逡逑１９种不同的扫描设备配置和机构提供的病例数据所组成。ＭＲＩ数据均校准对齐逡逑至同一个解剖学结构模版和去除了头骨部分。每个图像的大小为２４０＊２４０＊１５５，逡逑分辨率重采样至且所有的图像标签均由１至４个专家手动分逡逑割。逡逑６逡逑

基于3维全卷积DenseNet的MRI脑胶质瘤多区域分割算法研究

图３－１邋ＬｅＮｅｔ－５的结构逡逑Ｆｉｇ．邋３－１邋Ｔｈｅ邋ａｒｃｈｉｔｅｃｔｕｒｅ邋ｏｆ邋ＬｅＮｅｔ－５逡逑
【学位授予单位】：南方医科大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R739.41;TP391.41

【参考文献】