基于改进U-Net的脑肿瘤MRI图像分割研究

作     者：王士奇 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：李秀华

授予年度：2023年

学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 100214[医学-肿瘤学] 0802[工学-机械工程] 10[医学] 

主      题：医学图像分割 MRI图像 脑肿瘤 注意力机制 U-Net网络 

摘      要：脑肿瘤是较为常见的肿瘤疾病,这种肿瘤呈现出侵袭性生长的模式,严重危害患者身心健康。医学图像可以清晰地呈现病灶的详细情况,为医生对病情的了解、诊断治疗提供依据。脑肿瘤医学图像分割作为计算机辅助诊断系统的一部分,是在图像中将脑肿瘤与正常脑部组织进行分离,进而得到脑肿瘤分割效果图。随着深度学习的兴起,大量学者投入到脑肿瘤医学图像分割领域,提出了许多网络框架,并取得了不错的分割结果。其中,U-Net分割网络框架应用得最为广泛。然而,在脑肿瘤分割过程中也会遇到一些问题,如噪声、脑肿瘤MRI图像样本不平衡影响分割精度以及当前深度学习网络复杂难以满足实时性要求等问题。因此,本文针对脑肿瘤MRI图像分割过程中所面临的问题,基于U-Net网络框架提出了两种改进的脑肿瘤分割算法。(1)为提高脑肿瘤各区域的分割精度,提出了基于改进U-Net的脑肿瘤分割方法。在网络中引入改进的残差块在扩大感受野的同时解决可能产生梯度消失的问题,加快网络收敛速度;在编码路径和解码路径的长连接中引入注意力机制,使得网络可以自主学习去区分重要信息和次要信息,并增强有意义的信息,同时抑制噪声和无关信息,避免信息冗余,提高网络的表达能力;由于脑肿瘤MRI图像存在样本不平衡问题,严重影响脑肿瘤分割精度,针对这个问题设计了混合损失函数,解决样本不均衡问题,提高了脑肿瘤分割精度。在Dice系数评价指标上,在全肿瘤区域、脑肿瘤核心区域以及脑肿瘤增强区域分割精度达到了91.02%、82.27%、78.73%,与U-Net相比分别提升了2.88%、6.46%、5.58%。(2)针对U-Net和U-Net++缺乏从全尺度方面探索信息的能力,不能明确所要分割的器官以及病灶的位置和边界问题,提出了基于改进U-Net3+的脑肿瘤分割方法。在网络中加入了所提出的轻量级特征提取模块,从多尺度方向提取特征;利用残差CBAM注意力机制解决网络在将多层级特征融合过程中产生的冗余问题,使模型重点关注肿瘤区域,进一步提高肿瘤的分割准确度,在全肿瘤区域、脑肿瘤核心区域以及脑肿瘤增强区域的Dice值达到了91.85%、83.20%、80.72%。同时在减少网络层级和降低通道数方面将网络进行轻量化,降低网络复杂度,在Params和FLOPs分别为6.74M和43.79GMac,相比于U-Net3+网络在Params减少了20.29M,在FLOPs上减少了33.84GMac。