基于可学习组卷积和级联U-Net的脑肿瘤分割方法研究

作     者：刘恒忻 

作者单位：天津大学 

学位级别：硕士

导师姓名：李锵

授予年度：2021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] 0802[工学-机械工程] 100214[医学-肿瘤学] 0811[工学-控制科学与工程] 10[医学] 

主      题：脑肿瘤分割 U-Net 组卷积 深度监督 跳过连接 

摘      要：脑肿瘤是最致命的癌症之一,脑肿瘤的早期诊断对手术治疗具有重要意义。核磁共振成像(Magnetic Resonance Imaging,MRI)技术可以很好地呈现大脑组织的细节信息,被广泛用于脑肿瘤诊断。手动分割脑肿瘤耗时耗力,因此高效、全自动的脑肿瘤分割方法成为研究重点。针对现有脑肿瘤分割方法参数量大、分割精度不高的问题,本文提出一种基于可学习组卷积、深度监督和跳过连接的轻量级脑肿瘤分割网络(Dilated MultiFiber Network With Learnable Group,Skip Connection and Deep Supervision,DLSDNet),该网络利用由可学习组卷积构成的U-Net网络对脑肿瘤图像进行分割,并使用跳过连接和深度监督来提升分割精度。在脑肿瘤公开数据集Bra TS2018上的实验结果表明,DLSDNet与其他轻量级脑肿瘤分割方法相比,DLSDNet具有更高的分割精度,其中增强肿瘤、全肿瘤和肿瘤核心三个区域的分割精度分别为80.36%、90.25%和86.20%。与其他先进的脑肿瘤分割方法相比,DLSDNet在肿瘤核心上取得了较高的精度,并且参数量和计算量分别是所比较最先进方法的1/8和1/41。此外,为解决单个网络脑肿瘤分割精度不高的问题,本文提出一种基于深度监督、联合损失函数和级联U-Net的级联型脑肿瘤分割网络(Deep Supervision and Combined Loss for Cascaded U-Net,DCCUNet)。该网络首先使用一个较简单的U-Net对肿瘤图像进行粗分割,然后将粗分割结果与原始图像级联后作为第二个较复杂U-Net的输入,第二个U-Net对肿瘤图像进行精细分割,并在其中添加深度监督来提升分割性能,两个U-Net均使用由Dice损失函数和Focal损失函数组成的联合损失函数作为目标优化函数。在脑肿瘤公开数据集Bra TS2018上的实验结果表明,相较于其他脑肿瘤分割方法,DCCUNet在增强肿瘤、全肿瘤和肿瘤核心三个区域上的分割精度有较大提升,分割精度分别为82.62%、91.36%和87.03%,与在Bra TS2018验证集排行榜上提交结果的177支国内外研究团队相比,本文提出的DCCUNet在三个区域上的分割精度为最高。综上,本文提出的轻量级网络DLSDNet和级联型网络DCCUNet两种脑肿瘤分割网络,均取得了较高的分割精度,对脑肿瘤诊断和治疗具有重要参考价值。