基于3D U-Net的脑肿瘤自动分割网络研究

作     者：黄敬腾 

作者单位：天津大学 

学位级别：硕士

导师姓名：李锵;贾睿

授予年度：2022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：脑肿瘤分割 3D U-Net 空间金字塔 注意力机制 前置跳跃连接 

摘      要：脑肿瘤作为一个常见的肿瘤疾病,严重影响着患者的生命和健康。使用磁共振成像技术可以帮助医生观察到肿瘤的形态、大小和位置等所需信息。传统的手工分割手段不仅耗时耗力,还会受到医生的经验、精力局限。因此本文基于3D U-Net开发了以下两个全自动分割方案:针对单一感受野问题和上下文信息关注不足问题,分别提出空间金字塔模块和三维相互嵌合上采样模块,进而提出空间金字塔模块联合注意力机制网络(SPA-Net)。空间金字塔模块使用分层解耦结构和不同大小的扩张卷积获得多视图、多尺度的感受野,从而实现全局信息和局部细节相结合。三维相互嵌合上采样模块使用空间注意力机制模块和通道注意力机制模块相嵌合,实现低级别空间细节特征和高级别通道特征的复合提取。SPA-Net在脑肿瘤分割比赛Bra TS2018和Bra TS2019验证集上获得检验,在增强型肿瘤、全肿瘤和肿瘤核心上的Dice值分别为79.90%、89.63%、85.89%和77.14%、89.58%、83.33%。SPA-Net在1.9M参数量,9.91G FLOPs条件下取得不亚于先进网络的分割精度,并且分割单个病例时间只有1.48 s。针对跳跃连接问题和特征不足问题,分别提出前置跳跃连接和倒残差模块,进而提出前置跳跃连接倒残差U形网络(FS Inv-Res U-Net)。首先,将前置跳跃连接应用于DMFNet、HDC Net和3D U-Net三个典型网络以验证其有效性和泛化性。其次,采用前置跳跃连接构想和倒残差结构改进3D U-Net,进而提出FS Inv-Res U-Net,最后在公开数据集Bra TS2018和Bra TS2019的验证集上对所提网络进行验证。验证结果在增强型肿瘤、全肿瘤、肿瘤核心上的Dice值分别是80.23%、90.30%、85.45%和78.38%、89.78%、83.01%,豪斯多夫距离分别是2.35mm、4.77mm、5.50mm和4mm、5.57mm、6.37mm。上述结果表明,FS Inv-Res U-Net取得较高水平的分割指标,能够实现脑肿瘤精确分割。综合以上,本文提出的SPA-Net是一个实时分割脑肿瘤图像的轻量级分割网络,满足快速实时分割要求;FS Inv-Res U-Net是一个能够精确分割脑肿瘤区域的分割网络,满足高精度准确的分割要求。