基于2D/3D混合卷积的MRI脑肿瘤图像分割研究

作     者：徐岩 

作者单位：安徽理工大学 

学位级别：硕士

导师姓名：杨高明

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 图像分割 特征提取 双路混合卷积网络 

摘      要：MRI脑肿瘤的图像分割任务通常包含背景区域、坏死区域、整体区域、核心区域四个目标,各目标区域边界模糊,人工标注需要专业的医学知识并且可能因主观因素导致识别误差。脑肿瘤的发病率呈日益上升的趋势,对人体的神经系统有不可逆的损害,若研究出可精确、快速识别脑肿瘤病灶区域的神经网络,辅助脑肿瘤疾病的诊断,可在一定程度上提升医疗水平。为应对这一挑战,脑肿瘤图像识别的2D与3D神经网络得到了快速发展。根据不同的卷积方式以及不同的特征提取范围,脑肿瘤分割通常分为2D脑肿瘤分割与3D脑肿瘤分割两种方式。本文通过对脑肿瘤特征进行分析,发现其数据集既有平面特征,也有残留的3D光谱信息,在此理论基础上提出一种可并行提取2D与3D特征的双路混合卷积网络DMC-Net。该网络通过主路与支路并行实现特征提取,利用两个支路分别提取2D特征与3D特征,并有效地进行特征融合。其中2D主路网络,以本文提出的MiniAt Res Net50提取平面2D特征,运用U-Net++上采样操作与其独有的跳转连接来充分利用Mini-At Res Net50提取到的特征并对其进行融合,让每一层的特征都被关注,避免特征信息的浪费。3D支路网络首先通过3次3D可分离卷积操作来提取更高维的特征,之后将每一层卷积的输出分别进行特征融合,最后将3个可分离卷积的输出在整体上进行融合,3D支路网络的全局输出结果在经过一层卷积后直接与2D支路的输出进行自融合,从而实现2D信息与3D信息的特征提取。本次研究基于Bra Ts数据集,从定量评价指标与定性分割效果两方面出发,将设计的DMC-Net网络与4种经典且先进的生物医学图像分割网络进行性能对比及评估,证实基于2D与3D混合的DMC-Net网络具有更高的脑肿瘤特征提取能力,并且相较于Trans UNet网络,大幅度减少了参数量与计算能耗,对硬件配置的要求更低,处理脑肿瘤MRI图像时DMC-Net具有更优质的性能表现。图[43]表[11]参[60]