论文部分内容阅读
急性缺血性脑卒中是较为常见的脑血管疾病,具有高患病率、高死亡率等特性。及时准确的诊断和治疗能有效地改善脑部缺血区的供血,从而降低致残或死亡的风险。目前,对急性缺血性脑卒中的诊断往往是依靠医生对脑卒中磁共振成像(Magnetic resonance images,MRI)进行分析,通过对病灶的位置、形状、边界及大小进行观测来制定诊疗方案,但这样费时费力且会引入观测者间的主观差异。建立缺血性脑卒中病灶自动诊断方法可以帮助医生快速准确地制定诊疗方案、提高诊断准确率、缩短抢救时间。本文基于深度神经网络,提出了四种缺血性脑卒中病灶自动分割方法,并应用于缺血性脑卒中分割(Ischemic Stroke Lesion Segmentation,ISLES)2015 MRI数据库,用DICE、精确度、灵敏度及分割距离系数指标对实验分割结果进行评估,并通过与现存方案对比来说明本文所提方案的优越性。主要研究内容如下:(1)提出基于二维(Two-dimensional,2D)全卷积神经网络的缺血性脑卒中病灶分割算法。该算法首先选取缺血性脑卒中的MRI切片数据,并完成数据预处理;其次,通过U型全卷积神经网络(U-Net),对在MRI切片中的病灶灰度、像素、位置等信息进行特征提取,获得粗分割病灶;最后将提取的特征经过全连接条件随机场,通过最小化特征的能量函数,进一步优化分割结果,获得精分割病灶。将算法应用于ISLES2015数据集,结果表明,该算法该算法能较好地定位出病灶位置并大致分割出病灶轮廓,但算法准确率有待提高。(2)提出基于三维(Three-dimensional,3D)全卷积神经网络的缺血性脑卒中病灶分割算法。为了有效地利用图像的三维上下文信息,提高2D全卷积神经网络的性能,本文进一步提出了基于3D级联U-Net的分割算法。该算法将两个U型全卷积神经网络级联,以DWI、CBF、CBV、T1C、T2、Tmax和TTP七种模态的3D MRI影像作为网络输入,有效地利用三维上下文信息,对多模态3D MRI的图像块采样进行特征提取,从而实现病灶的自动分割。实验结果表明,三维全卷积神经网络能提高病灶分割准确率,训练集和测试集的分割精确度分别达到0.92和0.79,且其他客观指标也明显提升,可以满足临床自动诊断的需要。(3)提出基于非对称型3D残差U-Net网络和级联型3D深度残差网络。本文提出非对称型3D残差U-Net网络,编码网络使用残差模块,解码网络使用卷积层,编码解码构成非对称性。该算法收敛性好,分割精度高。在此基础上,将非对称型3D残差U-Net与3D U-Net进行级联,进一步提出级联型3D深度残差网络,该网络在训练过程中能获得较好的分割系数,在保证分割精度的同时,克服网络退化问题。综上所述,本文提出了四种基于深度神经网络的缺血性脑卒中病灶自动分割方法,将2D和3D多模态MRI图像经过以U-Net为架构的各种改进型网络,提取病灶和非病灶区的特征信息,从而实现病灶分割。本文将方法应用于MRI数据集,分析了算法的客观指标,比较了本文算法与现有算法的客观性能。结果表明,本文方法能有效分割病灶,具有临床应用价值。