基于深度学习的脑肿瘤MR图像分割与实现

作     者：吴勇 

作者单位：临沂大学 

学位级别：硕士

导师姓名：杨波;张问银;翟鹏

授予年度：2022年

学科分类：1002[医学-临床医学] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 100214[医学-肿瘤学] 0802[工学-机械工程] 0811[工学-控制科学与工程] 10[医学] 

主      题：脑肿瘤分割 MR图像 自约束网络 多残差U＿Net 

摘      要：近年来,随着社会发展和人们生活方式的改变,脑肿瘤等脑血管疾病逐渐成为我国致死率极高的疾病。磁共振成像(Magnetic Resonance Imaging,MRI)可生成无损伤、无颅骨伪影的多模态脑影像,同时对人体无伤害,为临床医生研究脑肿瘤及其他脑部疾病提供重要的参考信息,因此经常被用于的脑部疾病地诊断和治疗。正常脑肿瘤MR图像脑部组织可分为肿瘤区、脑脊液、脑灰质和脑白质,在肿瘤区域根据病情发展情况又可分为坏死区域、增强区域和水肿区域。因此在脑肿瘤地诊断和治疗中,需要将肿瘤区域与正常脑组织分开,甚至需要对脑肿瘤的子区域进行分割。针对以上情况,本文以多模态脑肿瘤MR图像为基础,针对脑肿瘤MR图像分割展开了研究,主要工作如下:本文提出一种基于多分辨率的双编码器自约束分割网络。该网络由一个多分辨率的双编码器、多分辨率注意力解码器和一个自约束模块构成。多模态图像分两条路径输入到编码器中,分别提取不同的特征;解码器阶段加入了卷积空间注意力机制(Convolution Spatial Attention Module,CSAM),保留了原始图像中的重要信息;自约束模块能够将输出的分割概率图与原始的输入图像相乘,得到一个区域灰度图,再对输出结果和该区域灰度图进行约束求损失函数,该模块加强了对网络的整体约束;同时在网络中设计了结合交叉熵(Binary Crossentropy)损失函数、Focal损失函数和Dice损失函数的综合损失函数。最终得到了脑肿瘤、脑脊液、脑灰质和脑白质的相似性系数指标分别为91%、78%、82%、86%。另外,本文提出一种改进的MRes-U＿Net网络用于脑肿瘤子区域分割。该网络能够有效地利用图像特征信息进行学习训练,同时结合图像的低级轮廓信息和高级语义信息,利用残差网络结构防止梯度消失。最终在肿瘤增强区域、核心区域及全肿瘤区域的相似性系数指标分别达到了80.1%、87%和91.9%;豪斯多夫距离指标分别达到了11.705 mm、14.122 mm和18.842 mm;平均表面对称距离指标分别达到了0.744 mm、1.991 mm和1.786 mm。