当前位置:主页 > 医学论文 > 神经病学论文 >

基于3D全卷积深度神经网络的脑白质病变分割方法

发布时间:2022-01-08 06:39
  脑白质病变影像的自动分割对于大脑疾病的临床诊断和研究具有重要的辅助作用。目前,研究者们主要采用深度学习解决脑白质病变部位的自动分割问题,虽取得一定成果,但仍存在分割精度不高、小病变无法被精确分割的问题。本文提出一种融合残差、金字塔池化和注意力机制的3D全卷积深度神经网络模型。该模型采用残差连接避免深层网络的梯度消失;采用金字塔池化聚合更多的上下文信息;采用注意力机制定位感兴趣的目标。各模块顺次衔接,构建具有较强学习能力的卷积模块链,并在链条两端分别附加上、下采样结构,形成完整的端到端模型。实验在MICCAI 2017数据集上进行,结果表明,本文方法的分割结果 DSC得分为0.762,召回率为0.727,精确率为0.801,特异性为0.991,优于对比的其他方法。 

【文章来源】:计算机与现代化. 2020,(10)

【文章页数】:7 页

【部分图文】:

基于3D全卷积深度神经网络的脑白质病变分割方法


本文方法全卷积网络结构图

模块图,残差,路径,金字塔


为此,本文在网络中引入残差方法,设计具有4个残差块的残差网络,并在残差块的直连路径中加入一个3D卷积,用于将输入x调整为不同的尺寸,以便与主路径输出的数量和大小一致,如图3所示。2.3 金字塔池化特征提取模块

流程图,分割方法,流程图


2015年Long等人[13]提出了FCN(Fully Convolutional Network)语义分割算法,通过跳跃结构实现了全卷积神经网络在像素级上的端到端的训练,同时能还原像素在原图中的位置,保留原始输入图像的空间信息,实现逐像素分类。同年,Ronneberger等人[14]提出了一种用于医学图像分割的全卷积网络结构2D U-net,它是一种对称编码器—解码器的结构,该模型在实验中取得了较好的结果。但由于大脑图像是三维结构,因此普遍采用2种方法分割3D数据,其中一种方法是通过将3D数据拆分成多个2D切片,第二种方法是将模型改为3D模型。相比于第二种方法,使用2D切片会忽略相邻切片的三维空间信息,降低分割精度。2016年Cicek等人[15]在U-net网络中使用3D卷积核,但该网络没有高效地学习到MRI图像的深层和浅层特征,导致结果不佳。2017年Xu等人[16]提出了一种基于FCN和迁移学习的脑白质高信号的快速自动分割方法,通过这种方法,在MRI图像上进行预处理并且分割WMH需要大约10 s。2018年,Wang等人[17]使用FCN的方法分割WMH,对于大的病变部位分割的DSC分数可达0.8左右,但对于小的病变位置的DSC分数只有0.65。2018年Zhang等人[18]提出了一种基于U-net的后处理技术,对不同随机初始化的U-net输出进行平均和阈值处理。这种方法与所用模型无关,它可以应用于其他的模型结构。这种后处理方法可以提高WMH分割的准确性。2019年,Wu等人[19]提出了一种新颖的跳跃连接U-net。该方法在预处理阶段引入了基于图集的方法,去除非脑组织,并在U-net模型的基础之上加入跳跃连接,从而提高分割精度。2019年,Jeong等人[20]采用带有膨胀卷积的U-net模型,通过膨胀卷积在MRI切片上学习更多的上下文信息,增强了网络识别大块WMH的概率。但分割精度只有0.56,说明基于深度学习的网络结构还有待进一步的开发研究。本文方法的流程如图1所示,首先对数据集进行预处理,预处理主要包括数据增强、统一图像大小和归一化。将预处理后的图像分为训练集、验证集和测试集。之后将训练集输入本文的网络中进行训练,经过下采样和上采样进行前向传播,得到的特征图与标签数据用于计算损失函数,然后反向传播训练模型参数,最后利用训练好的3D分割模型进行模型测试,得到测试数据的分割结果。

【参考文献】:
期刊论文
[1]基于精细化残差U-Net的新生儿局灶性脑白质损伤分割模型[J]. 刘亚龙,李洁,王颖,仵赛飞,邹佩.  计算机应用. 2019(12)



本文编号:3576073

资料下载
论文发表

本文链接:https://www.wllwen.com/yixuelunwen/shenjingyixue/3576073.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户78697***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com