论文部分内容阅读
脑疾病是当前对人类健康构成最大威胁的疾病之一。其中,脑胶质瘤是最常见的脑组织恶性肿瘤,它具有不同的侵略性和多种多样的组织亚区,发病率高,危害非常大,致死、致残率高。脑胶质瘤患者通常会出现头痛、呕吐、视力下降乃至双目失明等症状。核磁共振成像技术由于其成像质量极高,在临床医学上被广泛应用于对人体各组织器官的成像诊断中。然而,由于脑胶质瘤位置的随机性、大小的多样性、形状的不规则性及边界的高度模糊性,如何更高效精确地在核磁共振图像中分割出脑胶质瘤,已经成为医学上的一个难点。近些年来,深度学习的方法在特征的自动提取、病灶的识别及分割上不断实现突破,表现抢眼,为脑胶质瘤分割任务提供了新的解决方法。
本文使用了医学影像计算和计算机介入辅助社区的竞赛公开数据集。在这些原始数据基础上,本文构建了一套合理的数据预处理流程,包括磁场梯度校正、直方图均衡化、数据增强等。当前,一些全卷积神经网络结构如SegNet、U-net等已经成为了计算机视觉领域的宠儿并已被证实这些网络结构在医学领域也具备相当出众的分割效果。本文复现了FCN、SegNet、U-net并应用于脑胶质瘤分割任务进行对比。其中,U-net的分割结果最好,其在三个脑胶质瘤亚区与金标准的平均DC(Dice Coefficient)值分别为0.835、0.691、0.636。相对于传统的脑胶质瘤分割方法,U-net结构网络在分割结果上已经有了明显的提升。在此基础上,本文提出了基于脑胶质瘤影像分割这个特定任务的全卷积神经网络结构模型,该模型提升了在脑胶质瘤边缘和细节的分割性能,在三个脑胶质瘤亚区与金标准的平均DC值为0.877,0.774和0.757。本文中,在所构建的网络的输出端,对输出建立了条件随机场模型,通过进一步考虑位置信息因素和逻辑关系因素,提升了分割表现,三个脑胶质瘤亚区与金标准的平均DC值达到0.879、0.778、0.758。在二维网络模型的基础上,本文构建出了三维卷积神经网络模型,实现了分割进度的进一步提升,三个脑胶质瘤亚区与金标准的平均DC值达到0.884,0.795,0.769。
本文建立了一套简单有效的预处理流程,提出了适用于脑胶质瘤影像分割的卷积神经网络模型,实现了脑胶质瘤影像的快速而准确的分割。
本文使用了医学影像计算和计算机介入辅助社区的竞赛公开数据集。在这些原始数据基础上,本文构建了一套合理的数据预处理流程,包括磁场梯度校正、直方图均衡化、数据增强等。当前,一些全卷积神经网络结构如SegNet、U-net等已经成为了计算机视觉领域的宠儿并已被证实这些网络结构在医学领域也具备相当出众的分割效果。本文复现了FCN、SegNet、U-net并应用于脑胶质瘤分割任务进行对比。其中,U-net的分割结果最好,其在三个脑胶质瘤亚区与金标准的平均DC(Dice Coefficient)值分别为0.835、0.691、0.636。相对于传统的脑胶质瘤分割方法,U-net结构网络在分割结果上已经有了明显的提升。在此基础上,本文提出了基于脑胶质瘤影像分割这个特定任务的全卷积神经网络结构模型,该模型提升了在脑胶质瘤边缘和细节的分割性能,在三个脑胶质瘤亚区与金标准的平均DC值为0.877,0.774和0.757。本文中,在所构建的网络的输出端,对输出建立了条件随机场模型,通过进一步考虑位置信息因素和逻辑关系因素,提升了分割表现,三个脑胶质瘤亚区与金标准的平均DC值达到0.879、0.778、0.758。在二维网络模型的基础上,本文构建出了三维卷积神经网络模型,实现了分割进度的进一步提升,三个脑胶质瘤亚区与金标准的平均DC值达到0.884,0.795,0.769。
本文建立了一套简单有效的预处理流程,提出了适用于脑胶质瘤影像分割的卷积神经网络模型,实现了脑胶质瘤影像的快速而准确的分割。