基于数据扩增和迁移学习的Mask R-CNN脑CT图像自动分割研究

在临床上,分割脑CT图像上的各个脑区并建模,可以更好地观察病变与各器官的位置关系。目前医生主要通过人工勾画的方式进行分割,不仅费时、费力,而且还容易受主观因素影响。提出一种基于数据扩增和迁移学习的Mask R-CNN卷积神经网络算法,可以更快速地在脑CT图像上自动分割出易受脑出血危及的脑区,如小脑、脑干、基底节区和背侧丘脑等部位。针对2020年7月—2020年12月的100名健康人的1549张脑CT图像,选取其中的80例,共1239张图像作为训练集,其余的20例,共310张图像作为测试集,然后采用Mask R-CNN框架进行训练和预测,最终输出各脑区的坐标、名称与mask掩模。为研究数据扩增和迁移学习对模型训练效果的提升,分别设计了数据扩增和迁移学习的实验,以及U-Net模型的对照组。数据扩增组通过旋转的方式进行数据扩增,将训练集扩增至13629张图像;迁移学习组在MS-COCO上训练好的权重基础上,进行迁移学习。其中,迁移学习组的效果最好。在迁移学习的实验中,测试集m AP为0.9097,平均IOU为0.7362,脑干、小脑、基底节区和背侧丘脑的测试集平均DICE值分别为0.9025、0.8795、0.7818、0.8284。而未进行数据扩增和迁移学习的m AP和平均IOU分别为0.8708、0.7159;数据扩增组则为0.8941、0.7297;U-Net组则为0.8390、0.6711。研究显示,Mask R-CNN卷积神经网络模型可以较好地应用于脑出血常见部位的自动分割,且迁移学习对模型训练效果的提升较大。