论文部分内容阅读
脑部肿瘤是最为常见的并对人体危害极大的疾病之一,具有较高的发病率与死亡率。有关脑部肿瘤的磁共振图像分析,是医生进行脑肿瘤诊断治疗、手术评估与病情跟踪的重要依据。但是脑肿瘤形状多样,结构复杂,手动分割十分的耗时耗力,并且很容易在分割过程中出现误判现象。因此,为了简化脑肿瘤磁共振图像的分割过程,提高医疗工作者的工作效率,获得精确度更高的分割结果,提出一种快速的全自动脑肿瘤分割算法具有非常重要的临床实用价值。本文针对多模态脑肿瘤分割任务提出了两种有效的分割方法,其主要思想是利用脑肿瘤的组织结构特点,在有限计算预算内达到具有一定竞争力的分割精度。具体研究工作如下:(1)针对目前3D网络具有较大的计算内存和较低的计算效率等问题,提出了一种基于轻量级的层次解耦卷积和多视角融合的网络模型—HDC-Net~0,其以2D卷积为基础完成脑肿瘤的3D分割任务,并取得了优异分割精度。该模型集成了视角解耦卷积模块、层次组卷积模块和层次解耦卷积模块,使得模型可以通过一个轻量级的结构完成3D MR图像空间上下文信息和多尺度信息的捕捉。另外,该模型由于独特的设计结构,可以灵活地与多视角融合和模型级联等策略进行集成,用以进一步提高分割性能。(2)针对HDC-Net~0具有较高的系统复杂性和无法接受大尺度图像输入等设计缺陷,提出了轻量级且更加简洁高效的HDC-Net模型,去一次性完成多类别的脑肿瘤分割任务,并进一步提升脑肿瘤的分割精度。具体地,在本项中引入了额外的下采样策略,允许模型接受更大尺度的图像输入;另外,结合层次解耦卷积模块灵活的设计结构,提出了具有多种改进结构的HDC-Net模型,用以进一步提高模型的分割性能。本文分别在两个具有挑战性的BraTS 2017和BraTS 2018公开数据集上,对提出的两种分割方法做了详细的实验论证。结果表明,本文提出的方法获得了具有竞争力的分割结果,并且模型具有非常小的参数量,非常适合在设备资源有限的情况下使用。