基于多编码器的脑肿瘤分割算法研究

为提高脑肿瘤自动分割的准确率,文章提出一种基于多编码器的脑肿瘤分割算法。文章首先采用多编码器的U型网络结构以深度挖掘不同模态的语义信息,然后在下采样的卷积模块使用空洞卷积提取多尺度特征,并且使用基于通道注意力的融合模块融合不同模态的特征,最后在网络瓶颈层使用Transformer模块对全局特征进行充分感知。该算法在Brain Tumor Segmentation Challenge 2018(BraTS 2018)数据集上进行了实验,模型在整体肿瘤、肿瘤核心、增强肿瘤3个区域中的平均Dice系数分别为0.8907、0.7851、0.7487。实验结果表明,该算法可以有效利用模态特征的差异性,提升分割效果。

基于双路径特征融合的轻量级脑肿瘤分割网络

脑肿瘤是世界上最致命的癌症之一,从三维核磁共振图像(MRI)中快速、准确地分割正常脑组织和恶性肿瘤组织,对临床诊断和手术治疗都至关重要.近年来,基于卷积神经网络的分割架构,特别是3D U-Net架构在脑肿瘤分割方面取得了巨大成功.然而,现有的基于3D U-Net的网络存在下采样信息丢失的问题,缺乏自动聚焦小尺度病灶的能力,编码器和解码器之间的全局上下文信息交互不够充分,并且参数量大、计算开销高.针对上述问题,提出一种双路径特征融合的轻量级脑肿瘤分割网络.首先,该网络通过增加一条分支路径,将原始数据中的低级细节信息添加到编码器的各层中,弥补下采样带来的特征信息损失.其次,提出一种多层金字塔制导模块代替传统的跳跃连接,增强解码器不同层次的全局上下文信息获取能力.最后,在输出层引入多视图级联注意力模块,利用肿瘤不同区域的包含关系,使网络从各个视图自动聚焦小尺度肿瘤区域.在BraTS2020数据集上的实验结果表明,采用0.55×10^(6)参数量和41.21×10^(9)浮点运算次数,该网络在增强肿瘤、全肿瘤和肿瘤核心的Dice系数分别可达78.64%、89.51%和83.77%.此外,在BraTS2018数据集上进一步评估该网络的性能,实验结果表明:该网络在保持较小计算量的同时,显著提高了对脑肿瘤各病灶区域的定位能力和分割性能,在临床实践中具有重要意义.

多尺度非局部自注意力MRI脑肿瘤分割网络

针对U-Net模型在MRI脑肿瘤分割上存在的感受野受限和全局信息捕获不足问题,通过引入非局部自注意力机制与多尺度的金字塔卷积提出一种改进U-Net模型—PyCSAU-Net.该模型以三维U-Net作为基础网络,在第4层横向连接位置引入扩展的三维非局部注意力模块,通过改善网络因卷积核大小受限导致的长距离建模能力不足问题来提升脑肿瘤分割精度;此外,在网络下采样阶段将普通卷积替换为具有多尺度特点的三维金字塔卷积,在多级别和分辨率下来提取更具判别性的脑肿瘤深度特征.在公开的BraTS 2019和BraTS 2020验证集上在完全肿瘤、增强肿瘤和肿瘤核心分割上分别取得了0.904/0.901、0.781/0.774和0.825/0.824的分割精度,表明所提出PyCSAU-Net方法在脑肿瘤分割任务上的有效性和竞争力.

基于多编码器的多模态MRI脑肿瘤分割

脑胶质瘤是起源于脑神经胶质细胞的原发性肿瘤,发病率约占全部颅内肿瘤的45%,其核磁共振图像(MRI)的精准分割有着非常重要的临床意义。文中提出了一种基于多编码器的脑肿瘤自动分割方法,模型采用U型网络结构,扩充单收缩路径为多路径以深度挖掘不同模态语义信息;提出结合空洞卷积的Inception模块作为网络基础卷积层以获取图像多尺度特征;在网络瓶颈层和解码器中引入轻量型通道注意力Efficient Channel Attention(ECA)模块,使得模型更多地关注与分割相关的信息,忽略通道维度的信息冗余,从而进一步提高网络分割的精确率。在Brain Tumor Segmentation Challenge 2018(BraTS 2018)数据集上进行验证,提出的网络在整体肿瘤、肿瘤核心、增强肿瘤3个区域的平均Dice系数分别为0.880,0.784,0.757,结果表明所提算法实现了准确有效的多模态MRI脑肿瘤分割。

基于改进TransBTS的脑肿瘤分割算法研究

针对现有的脑肿瘤分割网络特征融合不够充分,以及存在的模型复杂的问题,提出一个轻量化的改进Trans BTS的脑肿瘤分割网络。首先,设计了基于大核卷积分解与注意力机制的卷积模块,在减少计算量的同时提高了卷积模块对特征的长距离依赖表征能力;其次,简化了Transformer结构,并设计了多尺度特征作为Transformer的输入,以充分感知全局上下文信息;最后,设计了新的跳跃连接,实现解码过程中对全局深层语义与局部浅层语义信息的充分融合。实验结果表明,该文所提方法在公开数据集BraTS 2021上的多个肿瘤区域(ET,TC,WT)的分割指标与TransBTS相比,Dice评分分别提高了0.55%、1.17%、2.55%,Hausdorff距离降低了1.71、1.68、3.07 mm,并且参数量和计算复杂度分别降低了79.18%和79.88%,平均推理时间减少了1.91 s,更好地实现了分割精度和算法复杂度的平衡。

基于注意力机制的脑肿瘤分割算法研究

文章针对形状复杂、边界模糊的脑肿瘤难以实现精确分割的问题,提出一种基于卷积注意力机制和Transformer多头注意力机制的U型分割网络。文章首先设计了基于通道注意力和空间注意力的卷积模块,提高了模块对局部关键特征的提取能力;其次使用一种结构更精简的Transformer模块作为网络的瓶颈层,利用其多头注意力机制对全局特征进行充分感知;最后在BraTS 2021数据集上进行了实验。实验结果表明文章算法在增强肿瘤区域、肿瘤核心区域和整个肿瘤区域的Dice系数评分分别为87.51%,90.69%和93.47%,可以有效提高脑肿瘤分割精度。

一种用于脑肿瘤分割的改进U形网络

近年来卷积神经网络在生物医学图像处理中得到了广泛应用,例如从磁共振图像中准确分割脑肿瘤是临床诊断和治疗脑部肿瘤疾病的关键环节.3D U-Net因其分割效果优异受到追捧,但其跳跃连接补充的特征图为编码器特征提取后的输出特征图,并未进一步考虑到此过程中的原始细节信息丢失问题.针对这一问题,本文提出前置跳跃连接,并在此基础上设计了一种前置跳跃连接倒残差U形网络(FS Inv-Res U-Net).首先,将前置跳跃连接用于改进DMF Net、HDC Net和3D UNet 3个典型网络以验证其有效性和泛化性;其次,采用前置跳跃连接和倒残差结构改进3D U-Net,进而提出FS Inv-Res UNet,最后在BraTS公开验证集上对所提网络进行验证.BraTS2018的验证结果在增强型肿瘤、全肿瘤和肿瘤核心的Dice值分别是80.23%、90.30%和85.45%,豪斯多夫距离分别是2.35、4.77和5.50 mm;BraTS2019的验证结果在增强型肿瘤、全肿瘤和肿瘤核心的Dice值分别是78.38%、89.78%和83.01%,豪斯多夫距离分别是4、5.57和6.37 mm.结果表明,FS Inv-Res UNet取得了不输于先进网络的评价指标,能够实现脑肿瘤精确分割.

基于多尺度伪影生成对抗网络的磁共振成像脑肿瘤分割方法

针对磁共振成像脑肿瘤分割存在的肿瘤空间信息变化大与精细标注样本数量少的问题,提出一种基于多尺度伪影生成对抗网络的脑肿瘤影像分割方法。该方法采用三维U-Net模型来获取脑肿瘤分割结果并充当生成器,引入三维PatchGAN作为判别器来评判U-Net输出的脑肿瘤结果与真值标签,通过对抗学习方式来进行模型训练。为提升脑肿瘤分割效果,在生成器编码阶段引入伪影模块,使得在卷积过程中能够捕获到更丰富的深度特征而提升生成器的脑肿瘤生成结果;同时,在解码过程中采用多尺度特征融合方式来有效整合脑肿瘤的浅层信息与深层信息,并在对抗学习中进一步提升分割性能。在公开的BraTS2019-2020数据集上对该方法进行了评估,实验结果验证了所提出方法在脑肿瘤分割任务中的有效性,在两个验证集上获得的全肿瘤、核心肿瘤和增强肿瘤分割Dice值分别为0.902/0.903、0.836/0.826和0.77/0.782。

基于级联动态注意力U-Net的脑肿瘤分割方法

脑肿瘤是一种严重威胁人类健康的疾病,脑肿瘤精确分割在临床诊疗中非常重要。由于脑肿瘤形状大小各异、位置不固定和边界模糊等,实现高精度脑肿瘤自动分割仍是一项具有挑战性的任务。近年来,U-Net凭借其简洁的架构和优秀的性能成为解决医学图像分割任务的主流模型,但其也存在局部感受野有限、空间信息丢失和未充分利用上下文信息等问题。为此,提出一种基于动态卷积和非局部注意力机制的级联U-Net新模型(CDAU-Net)用于脑肿瘤分割任务。首先,将两阶段级联三维U-Net作为主体架构,来重建更精细的高分辨率脑肿瘤空间信息;进而,在级联网络横向连接上添加期望最大化注意力,通过提高网络捕获长距离依赖能力来更好利用肿瘤上下文信息;最后,在级联网络中将普通卷积替换为具有局部自适应能力的动态卷积,可进一步增强网络局部特征捕获能力。在公开的BraTS2019-2020数据集上进行了大量实验并与其他代表性方法进行对比,实验结果表明了所提方法在脑肿瘤分割任务上的有效性。其中,在BraTS2019/2020验证集上获得的全部肿瘤、肿瘤核心和增强肿瘤分割Dice值分别为0.897/0.903,0.826/0.828和0.781/0.786,表现出了良好的脑肿瘤分割性能。

变分自编码的分层解耦卷积脑肿瘤分割网络

三维卷积神经网络处理图像分割精度高,可以保留更多空间信息,有效解决标签不平衡问题,但存在参数量大的缺点.针对目前三维脑肿瘤分割网络内存资源占用大、硬件设备要求高、计算效率低的问题,将传统3D UNet网络中的3D卷积替换为分层解耦卷积,能够降低空间环境的计算复杂度和内存占用量,在不提高计算量的前提下显著提高分割精度,提高网络性能.为解决传统自编码器不能自主生成数据的问题,使用结合深度学习和统计学习的变分自编码器,在编码器结果中加入高斯噪声,使得编码器对结果具有鲁棒性,在编码器中加入概率分布防止过拟合,提高算法的泛化性能.采用三线性插值在三维离散采样数据的张量积网格上进行线性插值,有效避免线性方程组不断增大导致计算时间过长的问题.通过对损失函数加权混合,避免梯度弥散时出现学习速率下降现象,解决小区域分割不平衡问题,减少局部性能最优,使网络保持较高运算速度的同时有效提高分割精度,在有限内存空间最大化网络特征提取能力.在脑肿瘤公开数据集BraTS2019上的实验结果表明,该网络在增强型肿瘤、全肿瘤、肿瘤核心上的Dice值分别可达78.02%、90.05%和83.14%,参数量仅为0.30×10^(6),能够准确、高效地分割出脑肿瘤中各病灶区域,节约硬件设备的算力和内存资源,为临床应用提供可能性.

基于3DSEU-Net不确定性循环焦点平均教师的半监督脑肿瘤分割

准确、完整地定位和分割脑肿瘤对脑胶质瘤患者的存活率以及治疗方案的确定起着决定性作用。在三维核磁共振影像(MRI)中,生成准确的注释需要大量的专业知识和时间成本,使用少量有标签数据与大量无标签数据进行半监督学习更加符合实际的临床场景与需求。为此,本文提出一种3DSEU-Net作为半监督模型中的教师与学生网络,该网络引入注意力计算,同时结合跳跃连接,以便获取三维医学影像中更加丰富鲁棒的结构与细节特征,训练过程中,教师模型通过不确定性量化,然后指导学生模型,使学生模型学习到置信度更高的结果,在仅有少量有标签数据的情况下学习到更多的知识,以提升模型的脑肿瘤分割精度。在仅有25个有标签数据的情况下,分割精度比全监督学习提升了12.9%,最高分割精度达81.41%,优于目前可同基准复现的6种半监督方法,证明了本文方法的可行性和有效性。

基于HMRF的改进Kmeans脑肿瘤分割算法

为了解决磁共振成像脑部肿瘤区域出现误识别及对脑MRI图像中的肿瘤部位分割时出现的不确定性等问题,提出一种改进的Kmeans算法与隐马尔可夫随机场模型(HMRF)相结合的分割方法,对脑肿瘤图像实现精准分割。首先将Kmeans算法的欧氏距离替换成曼哈顿-切比雪夫距离并用改进后的Kmeans算法对待分割图像进行初始参数估计和初始分割,然后通过HMRF理论获得图像的空间信息,并结合EM算法对聚类中心进行更新,获得更为准确的聚类中心,从而提高算法的分割性能。实验结果表明,该方法具有良好的脑部肿瘤分割性能效果,其中Dice系数和Jaccard系数的平均值分别达到了0.9289和0.8725。

基于改进3D U-Net的多模态脑肿瘤分割算法

针对脑部肿瘤分割任务中存在的多模态信息利用率不高,训练样本数据少导致分割结构精度不高的问题,提出了一种以3D U-Net模型为基础,融合变分自编码器(VAE)和注意力模型的分割模型VAE U-Net,实现多模态脑肿瘤MRI图像的自动分割。所提方法在Brats2020数据集上进行实验,在测试集上的整体肿瘤、核心肿瘤以及增强核心区的分割Dice系数分别为81.44、90.82和89.43,相较于原始的3DU-Net提高了2.03、1.05和2.38个百分点。

基于多尺度卷积神经网络的磁共振成像脑肿瘤分割研究

目的:针对脑肿瘤形状、位置及大小等多变性,提出一种适合磁共振成像(MRI)脑肿瘤分割的卷积神经网络模型的改进方法。方法:将卷积神经网络应用到脑肿瘤分割上,并针对脑肿瘤的特点,提出多尺度卷积神经网络模型(MSCNN),通过多尺度的输入与多尺度下的采样,克服脑肿瘤的个体差异,同时适应脑肿瘤不同图像层之间的大小位置差异,弱化肿瘤边缘与正常组织灰度相近的影响。结果:通过对30例患者的多模态磁共振图像进行分割,得到平均Dice系数为83.11%;平均灵敏度系数为89.48%;平均阳性预测值(PPV)系数为78.91%。结论:MRI脑肿瘤分割的改进方法可使分割精度得到明显提高,多尺度卷积神经网络能自适应脑肿瘤的差异性,并准确有效地分割脑肿瘤。

基于多模态3D-CNNs特征提取的MRI脑肿瘤分割方法

针对目前MRI脑肿瘤分割中的无监督特征提取方法无法适应脑肿瘤图像的差异性,提出一种基于多模态3D卷积神经网络(CNNs)特征提取的MRI脑肿瘤分割方法。将2D的多模态MRI图像组合成3D原始特征,通过3D-CNNs提取特征,更有利于提取各模态之间的差异信息,去除各模态之间的冗余干扰信息,同时缩小原始特征邻域大小,以适应同一病人不同图像层肿瘤大小的差异变化,进一步提高MRI脑肿瘤的分割精度。实验结果证明,能适应不同病人各模态之间的差异性和多变性,以提高脑肿瘤的分割精度。

基于核磁共振图像的脑肿瘤分割方法研究

利用脑肿瘤核磁共振(Magnetic resonance,MR)图像提供的关于肿瘤和脑组织的形状、大小与定位等信息准确地分割出脑肿瘤区域,对监测脑肿瘤患者的肿瘤生长或缩小、制定手术或放化疗计划都起着重要的作用。探讨了脑肿瘤MR图像分割的背景与意义,整理了脑肿瘤分割方法中常用的评估指标以及实验数据库的发展过程。基于脑肿瘤MR图像的特点讨论了脑肿瘤分割的难点,并从MR成像缺陷、脑组织解剖结构以及脑肿瘤的复杂性等方面进行归纳。对脑肿瘤分割方法的分类以及常见的分割方法进行了研究,分析了基于图论的分割方法、基于可形变模型的分割方法以及基于机器学习的分割方法及其进展。最后,结合脑肿瘤分割中存在的问题对未来的研究工作进行展望。

基于同一特征空间的多模态脑肿瘤分割方法

脑胶质瘤的分割依赖多种模态的核磁共振成像(MRI)的影像。基于卷积神经网络(CNN)的分割算法往往是在固定的多种模态影像上进行训练和测试,这忽略了模态数据缺失或增加问题。针对这个问题,提出了将不同模态的图像通过CNN映射到同一特征空间下并利用同一特征空间下的特征来分割肿瘤的方法。首先,不同模态的数据经过同一深度CNN提取特征;然后,将不同模态的特征连接起来,经过全连接层实现特征融合;最后,利用融合的特征实现脑肿瘤分割。模型采用BRATS2015数据集进行训练和测试,并使用Dice系数对模型进行验证。实验结果表明了所提模型能有效缓解数据缺失问题。同时,该模型较多模态联合的方法更加灵活,能够应对模态数据增加问题。

一种两阶段的由粗到细的多模态脑肿瘤分割框架

从核磁共振图像中提取脑肿瘤在临床诊断及手术规划中起到关键作用。该文提出了一种两阶段的由粗到细的自动分割框架对多模态脑肿瘤图像进行分割。该框架分为粗分割及细分割两部分。粗分割部分采用一个深度卷积神经网络对脑肿瘤五分类,生成4种肿瘤组织的粗分割概率图;细分割部分将这些概率图作为掩膜促使卷积网络关注高概率区域。此外,为了减轻数据不均衡,细分割部分采用了双分支输出,一个支输出五分类结果,并采用带掩膜的交叉熵损失函数;另外一个分支输出二分类结果来标记整个脑肿瘤,采用了均方误差。利用BRATS 2015数据集进行验证,结果表明该方法具有很好的效果。

基于多模态深度学习的脑肿瘤分割实验研究

针对现有3DU-Net网络在脑肿瘤分割中存在的训练过程中损失函数值难以降低,对增强瘤、肿瘤核分割精度较差等问题,该文提出了某模型网络的优化方案。首先使用残差网络结构降低训练难度;进一步引入注意力机制对多模态MRI的融合权值进行自适应学习,充分利用不同模态特征信息;最后在网络解码器部分采用双路卷积结构,提高了网络的特征提取能力。实验结果表明,改进后的网络训练损失函数更容易收敛到较小值,且对3种肿瘤的平均分割Dice系数提高了0.018 9,平均Hausdorff距离缩短了1.197 1,在整体分割性能上优于改进前的网络。

结合MRI多模态信息和3D-CNNs特征提取的脑肿瘤分割研究

目的探究结合MRI多模态信息和3D-CNNs特征提取对于脑肿瘤分割的价值。方法分析相比于未加入多模态3D-CNNs特征的方法,并对比2D-CNNs特征方法和3D-CNNs特征方法分割的结果,主要参考dice系数,假阳性率和sensitibity。结果在加入多模态3D-CNNs特征之后,患者的dice系数均有不同程度的提高,sensitibity系数也有改变,假阳性率显著得到改善;加上多模态3D-CNNs特征提取后,dice系数变为(88.26±4.65)%,显著优于多模态2D-CNNs特征提取的(83.67±4.22)%。而多模态2D-CNNs特征提取的运用甚至比单独使用灰度邻域结合haar小波低频系数的分割结果。结论基于多模态3D-CNNs特征提取的MRI脑肿瘤分割准确度高,适应不同患者不同模态之间的多变性和差异性,值得参考。