基于全卷积神经网络的MR脑肿瘤图像分割方法

MR脑肿瘤图像为临床提供了丰富的信息诊断和生物医学研究资料,通过算法实现MR脑肿瘤图像的自动准确分类对医学分析和解释至关重要。文章提出了一种全新的方法,以判断用户给定的MR脑肿瘤图像是否正常。首先,利用小波变换对图像进行特征提取,然后通过主成分分析(PCA)降低特征向量维数,得到新的MR脑肿瘤图像并将其提交至不同核的支持向量机(KSVM)以对比其分类结果和精确度,最终确立分类效果最佳的最优模型。该方法可在一定程度上为病情诊断提供参考,从而提高诊断精确率并促进相关治疗的开展,进而保障患者的生命健康。

使用深度学习方法的脑肿瘤图像分割综述

对脑肿瘤图像的准确分割可以确定其外观与位置信息,这对早期诊断与治疗具有重要意义,但目前临床主要还是使用人工手段进行标注,这导致效率低下以及因为人的不同导致标注结果有差异等问题。深度学习方法目前已广泛应用到脑肿瘤图像分割中,通过设计神经网络结构等方法都取得了优异的成果。本文将回顾总结近几年的最新进展与挑战,并总结出图像的预处理、图像特征提取、图像特征融合、参数更新与预测、后处理这五个模块来对有突破性的关键技术进行归纳,让创新点所在位置更明确,利于归纳与学习。最后展望拥有潜力的研究方向。

Trans-SegNet:一种基于Transformer的脑肿瘤图像分割网络

现有基于Transformer的神经网络在自然图像领域取得了非凡的性能,并全面超越了卷积神经网络的效果。由于其引入了多头自注意力机制,能够很好地建立像素间长距离依赖的全局信息,其在医学图像分割中同样十分重要。因此,文章尝试探索Transformer在医学图像上的表现,并设计了基于Transformer的分割网络Trans-SegNet。Trans-SegNet在编码器与解码器之间插入全局融合模块,捕捉全局依赖和上下文信息,提取强表示能力的特征。其中包括Transformer中的多头注意力机制,建立长距离依赖和频域表示学习模块在频域视角完善全局上下文语义。该算法在脑肿瘤分割数据集BraTS2019上进行实验和评估,结果表明,Trans-SegNet相比卷积神经网络U-Net性能取得较大提升,其中ET提升2.07%、WT提升0.98%和TC提升1.89%,证明了Transformer结构和所设计算法在脑肿瘤图像分割的有效性,为医学图像分割辅助诊断的应用提供了借鉴。

基于Unet的多注意力脑肿瘤图像分割算法

针对多类型脑肿瘤医学图像分割中上下文信息联系匮乏及人工分割效率、准确率低等问题,提出了一种基于Unet的脑肿瘤自动分割算法。首先,在Unet模型的基础上引入残差结构(ResBlock),用于加深网络;其次,重新构建Unet的解码网络,增加一条并行的膨胀卷积(dalited convolution)特征提取模块;最后,网络结合改进后的通道和空间多注意力机制,使得网络在提取特征时更加专注某些特征层和空间区域,抑制了某些无效的非病灶区域的冗余特征,进而提高病灶分割的精度。该文使用医学分割Dice评价指标,充分测试算法对多序列脑肿瘤核磁共振(MRI)医学图像的分割性能。实验结果表明,改进后的算法在Complte Dice、Core Dice和Enhancing Dice上分别可达0.909,0.820和0.766。与Unet及其改进的分割算法比较,该算法在参数量与Unet相当的情况下获得了更好的分割结果。

改进的全卷积神经网络的脑肿瘤图像分割

针对现有机器学习算法分割脑肿瘤图像精度不高的问题,提出一种基于改进的全卷积神经网络的脑肿瘤图像分割算法。算法首先将FLAIR、T2和T1C三种模态的MR脑肿瘤图像进行灰度归一化,随后利用灰度图像融合技术得到脑肿瘤信息更加全面的预处理图像;然后采用融合三次脑肿瘤特征信息的改进全卷积神经网络对预处理图像进行粗分割,并在每个卷积层后加入批量正则化层以加快网络训练的收敛速度,提高训练模型精度;最后融合全连接条件随机场细化粗分割结果中的脑肿瘤边界。实验结果表明,相较于传统的卷积神经网络脑肿瘤图像分割算法,本算法在分割精度和稳定性上有了较大提升,平均Dice可达91.29%,实时性较好,利用训练模型平均1 s内可完成单张脑肿瘤图像的分割。

MRI脑肿瘤图像分割研究进展及挑战

脑肿瘤分割是医学图像处理中的一项重要内容,其目的是辅助医生做出准确的诊断和治疗,在临床脑部医学领域具有重要的实用价值。核磁共振成像(MRI)是临床医生研究脑部组织结构的主要影像学工具,为了使更多研究者对MRI脑肿瘤图像分割理论及其发展进行探索,本文对该领域研究现状进行综述。首先总结了用于MRI脑肿瘤图像分割的方法,并对现有方法进行了分类,即分为监督分割和非监督分割;然后重点综述了基于深度学习的脑肿瘤分割方法,在研究其关键技术基础上归纳了优化策略;最后介绍了脑肿瘤分割(BraTS)挑战,并结合挑战中所用方法展望了脑肿瘤分割领域未来的发展趋势。MRI脑肿瘤图像分割领域的研究已经取得了一些显著进展,尤其是深度学习的发展为该领域的研究提供了新的思路。但由于脑肿瘤在大小、形状和位置方面的高度变化,以及脑肿瘤图像数据有限且类别不平衡等问题,使得脑肿瘤图像分割仍是一个极具挑战的课题。由于分割过程缺乏可解释性和透明性,如何将全自动分割方法应用于临床试验,还需要进行深入研究。

一种改进的三维双路径脑肿瘤图像分割网络

近几年,深度学习在生物医学图像处理中的应用得到了广泛关注。从深度学习的基本理论和医学领域应用出发,提出了一种改进的三维双路径脑肿瘤图像分割网络,用于提高核磁共振成像序列中对脑肿瘤各个区域的检测精度。所提算法以3D-UNet为基础架构,首先,使用改进的双路径网络单元构成类似于UNet的编码-解码器结构,该网络单元在保留原有特征的同时,还可以在脑肿瘤的纹理、形状和边缘等方面产生新特征,来提高网络分割精度;其次,在双路径网络模块中加入多纤结构,在保证分割精度的同时减少了参数量;最后,在每个网络模块中的组卷积之后加入通道随机混合模块来解决组卷积导致的精度下降问题,并使用加权Tversky损失函数替代Dice损失函数,提高了小目标的分割精度。所提模型的平均DiceET、DiceWT和DiceTC均优于3D-ESPNet、DeepMedic、DMFNet等算法。该研究结果具有一定的现实意义和应用前景。

一种基于U-Net的脑肿瘤分割方法

脑肿瘤MRI图像分割是脑肿瘤诊断和治疗的重要环节。对于脑肿瘤MRI医学图像存在难以精确分割的问题,在U-Net网络分割方法基础上进行了改进,于编码路径-解码路径的长连接中引入注意力模块,使网络模型关注需要分割区域的特征,避免信息冗余,以达到脑肿瘤图像精准分割的目的。此外,还提出一种基于Dice损失和焦点损失的混合损失函数,用以解决类不平衡问题,提高对肿瘤核心区域的分割效果。将改进模型及改进混合损失函数在BraTS2018和BraTS2019上进行实验。通过分析表明,与传统的U-Net相比,提出的分割方法在脑肿瘤不同区域的Dice值、精准率、敏感度均有提升,拥有更好的性能。

基于ShuffleNet的多尺度高效脑肿瘤分割网络

为解决硬件平台资源受限条件下精准实现脑肿瘤区域分割的需求,提出一种基于ShuffleNet的多尺度高效脑肿瘤分割网络。首先以ShuffleNet为基础构建深层特征提取网络,并加入多路平行卷积层和混合感受野增强网络的多尺度信息提取能力;其次,使用深度可分离卷积降低网络的参数量;最后提出一种加权混合损失函数缓解了数据类别不平衡对脑肿瘤分割的影响,提高了网络分割的稳定性。实验选取BraTS2019数据集进行训练和验证,并在BraTS2021临床病人数据集上进行临床测试。结果表明,所提的深层轻量级网络大幅度降低了参数量和计算量,同时具有较高的分割精度,且在增强肿瘤区域的分割问题上有更好的表现。