论文部分内容阅读
随着深度学习算法的进一步成熟、算力的提高以及数据的持续积累,深度学习在生物医学图像语义分割领域得到迅猛发展。3D卷积神经网络因其3D上下文信息的挖掘能力而成为3D生物医学图像语义分割中的主流选择。但是,3D卷积核极大增加了可训练参数的数量。考虑到在生物医学图像领域中,训练集往往十分有限,这会加剧3D卷积神经网络面临的过拟合风险,因此必须在网络大小及其特征表达能力之间进行权衡。正因参数量的限制,网络结构简洁高效的3D U-Net被广泛应用。但是结构简洁也导致3D U-Net网络过浅,特征表达能力有限,网络无法获得较大感受野,同时较多的下采样层使得3D U-Net会丢失部分细节和全局位置信息。基于上述分析,本文基于3D卷积核的参数缩减和3D U-Net的网络优化两方面展开研究。本文的主要研究内容和创新工作概述如下:(1)针对3D卷积核参数过多的问题,本文提出了3D密集分离卷积(3D-DSC)模块来替代原始的3D卷积内核。3D-DSC模块由三个方向上的1D卷积核构成,同时通过进一步引入额外的非线性激活层以及1D卷积核之间的密集连接,可以在保持紧凑型架构的同时显著提高网络的非线性特征表达能力。本文基于3D-DSC构建的简单3D分类网络相比同深度的正常3D网络缩减了68.3%的参数量,其在小儿多动症脑部MRI诊断数据集上取得了76.70%的分类精度,相比同深度正常3D网络提高了10.8%,在肝癌腹部CT图像诊断数据及上取得了88.42%的分类精度,相比同深度正常3D网络提高了15.4%。(2)针对3D U-Net网络过浅,特征表达能力有限的问题,本文使用3D-DSC模块来加深3D U-Net,提出了更深的3D U-Net-38,在不增加参数量的前提下将3D U-Net由18层加深到38层,提高了网络的特征表达能力和网络的感受野。本文在脑肿瘤MRI数据集上取得分割精度Dice Score值0.8932,相比3D U-Net提升了2.5%,在肾脏肿瘤CT图像数据集上取得分割精度Dice Score值0.8502,相比3D U-Net提升了2.4%。(3)针对部分细节和全局位置信息丢失的问题,本文提出了支路跨层密集空洞空间金字塔池化(BA-DenseASPP)。BA-DenseASPP在传统DenseASPP的基础上,从网络的输入引入一条全分辨率支路并通过跨层连接与DenseASPP结合。全分辨率支路提供了无损失的细节和全局位置信息,因此BA-DenseASPP可以弥补3D U-Net丢失的细节和全局位置信息,并且DenseASPP也提供了更大的感受野和多尺度信息。本文提出的使用BA-DenseASPP的3D U-Net-38在脑肿瘤MRI数据集上取得分割精度Dice Score值0.9027,相比没有使用BA-DenseASPP的3D U-Net-38提升了1.1%,在肾脏肿瘤CT图像数据集上取得分割精度Dice Score值0.8591,相比没有使用BA-DenseASPP的3D UNet-38提升了1%。