基于多尺度特征信息的脑肿瘤MRI图像分割网络

针对脑肿瘤核磁共振成像因大脑组织边界重叠和图像噪声干扰导致分割精度低的问题,提出一种基于多尺度特征信息的脑肿瘤分割模型.该模型将注意力机制等最新技术引入2D U-Net网络,通过独特的信息融合及由Transformer和卷积神经网络并行结构组成的双分支模块,提取全局和局部区域的多尺度信息特征,以突出肿瘤区域的病变信息.并用标准的Figshare脑肿瘤数据集评估此模型.实验结果表明,该模型在Dice分数、平均Jaccard系数、Precision和Recall上分别提高了3.01%、2.6%、3.08%和4.73%,HD95降低了0.1187,评估指标性能高于现有先进方法.同时,消融实验表明,信息融合模块和双分支模块有助于提高现有脑肿瘤磁共振成像的分割精度.

融合注意力机制的多模态脑肿瘤MR图像分割

针对在多模态MR图像分割中对不同模态特征间的关联性及全局和局部特征提取考虑不充分,导致分割精度降低的问题,基于注意力机制,提出多模态脑肿瘤MR图像分割方法.首先提出三重注意力模块,用于增强各模态特征间的关联性以及对感兴趣区域的位置和边界信息精确判断;然后设计空间和通道注意力模块,用于双重捕获空间和通道上的全局及局部特征,增强对肿瘤组织结构信息的学习能力.在公开数据集BraTs18和BraTs19上的实验结果表明,分割全肿瘤时,所提方法的Dice系数、精确率、灵敏度和Hausdorff距离分别达到了90.62%,87.89%,90.08%和2.2583,均优于对比的同类方法.

深度学习脑肿瘤MRI图像分类研究进展

大数据环境下肿瘤病例为肿瘤的临床诊断提供了庞大的数据资源,同时人工智能技术的发展促进深度学习应用水平不断提升,推动肿瘤MRI图像的快速、精准分类进入深度学习时代。本文主要分为以下四个部分,第一部分针对目前主流的深度学习MRI图像分类模型:卷积神经网络、深度信念网络、深度残差网络、Vision Transformer展开综述。首先,阐述了各模型的历史沿袭、最初针对的问题及主要思想;其次,概括了模型的网络架构并探讨其在MRI图像分类上的最新应用;然后,分析了模型的特点、目前存在的局限及各自发展趋势。第二部分论述了一些影响分类性能的关键因素;第三部分提出了一些广泛使用的性能增强技术;文章最后讨论了深度学习分类MRI图像在临床实践中面临的主要限制,并对未来研究方向进行展望。本文的结果可为研究人员提供一个全面的比较,以及各种深度学习模型的有效性,有望促进脑肿瘤研究的进展。

基于双重注意力机制和迭代聚合U-Net的脑肿瘤MR图像分割方法

脑肿瘤核磁共振图像分割是脑肿瘤临床诊断的基础.针对传统U-Net网络中编码器无法从多尺度提取特征信息以及跳跃连接过程特征融合信息不全面等问题,提出了一种引入双重注意力机制以及迭代聚合的U-Net脑肿瘤分割算法.首先,在U-Net编码器部分,引入了卷积核注意力机制SKNet,网络可自适应选择卷积核尺寸,获取不同尺度的特征信息;其次在解码器部分添加了通道注意力模块CAM,使网络模型聚焦于重要的特征信息,减弱无关信息的干扰;最后在跳跃连接部分引入迭代聚合的思想,让网络将高级语义特征和低级语义特征进行融合,使得特征信息更加丰富全面,进而提高分割精度.在BraTS2019数据集上实验结果表明:肿瘤的整体区域(WT)、核心区域(TC)以及增强区域(ET)的Dice相似系数分别为80.51%,71.46%,71.32%,较原始模型分别提升了1.34%,4.34%,3.41%.与其他模型相比,该算法具有很好的分割性能.

基于Tamura纹理特征提取和SVM的多模态脑肿瘤MR图像分割

在Tamura纹理特征和支持向量机(SVM)算法基础上提出一种多模态脑肿瘤图像分割算法.将4种模态下的多序列核磁共振图像(MRI)的局部灰度特征与Tamura纹理度量相结合,尽可能提取足够多的图像信息;在SVM模型中输入已知样本并进行训练;用训练好的SVM模型处理其他脑肿瘤图像.实验通过对20例患者的图像进行展开,从实验数据来看,提出的方法可以精准有效地分割出脑肿瘤区域,得到脑肿瘤的边界,并且对脑肿瘤图像的差异性表现出较强的自适应能力.

基于模糊水平集的脑肿瘤MR图像分割方法

针对传统水平集(Level Set)方法对脑肿瘤MR图像进行分割时易在弱边缘处产生泄露的问题,提出一种新的基于模糊水平集的脑肿瘤MR图像分割方法。采用模糊聚类算法对图像进行预分割,得到脑肿瘤MR图像的感兴趣区域;将聚类分割结果作为水平集演化的初始轮廓;利用聚类结果计算水平集演化的初始化条件和控制参数。算法执行效率得到了提高,并且克服了水平集演化依赖于初始化条件和控制参数且需要较多人工干预的缺陷,增加了方法的鲁棒性。实验结果表明,该方法鲁棒性强,能够快速、准确地分割出MR图像中的脑肿瘤,具有重要的临床意义。

基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割

针对U-Net网络感受野受限以及信息丢失导致的分割精度低的问题,提出了一种基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割算法.首先,在U-Net网络中引入感受野模块(receptive field block,RFB)来增大网络的感受野,解决了网络由于感受野受限带来的分割精度低的问题.此外在网络中引入有效的通道注意模块(efficient channel attention,ECA)来增加网络对有用特征的响应,抑制网络中的冗余特征.使用BraTS(the brain tumor image segmentation challenge)提供的脑肿瘤MR图像数据对本文算法进行测试,用Dice相似性系数等指标进行评价,结果显示在完整肿瘤、核心肿瘤以及增强肿瘤的Dice值分别可达到0.86、0.86、0.79.与U-Net模型以及其他的网络相比得到了提高.实验结果表明,本文提出的算法能够有效提升脑肿瘤分割的精度,具有良好的分割性能.

基于BP神经网络的脑肿瘤MRI图像分割

利用BP神经网络技术对MR脑肿瘤图像中的肿瘤区域与正常组织区域进行分割,以辅助医疗诊断与治疗。首先,人工分割出部分影像中的肿瘤组织与正常组织作为已知样本;其次,在BP神经网络模型中输入已知样本中进行训练;最后,用训练好的BP神经网络处理其他脑肿瘤图像。BP神经网络能够有效分割MR脑肿瘤图像,辨别出肿瘤与周围正常组织的差异,但模糊区域也常被误判为肿瘤。因此,本研究提出进一步对模糊区域样本进行针对性训练与特殊的滤波处理,所得结果有较大改进。BP神经网络能有效地进行脑肿瘤MRI图像分割,但在使用时仍需正确选择输入样本的区域和范围并结合特殊的滤波处理。

增强的基于灰度共生矩阵的脑肿瘤MRI图像分类

针对T1加权对比度增强MRI(CE-MRI)脑肿瘤图像的自动分类问题,提出了一种增强的基于灰度共生矩阵(GLCM)的特征表达方法。GLCM是一种常用进行纹理分析的方法,但由于脑部肿瘤图像纹理复杂多变,传统的基于GLCM的二阶统计量特征,如对比度、相关性、能量等,不能很好地区分不同类别的肿瘤,例如使用各向同性的GLCM和4个方向的GLCM(0°、45°、90°、135°)得到的分类正确率只有61.26%和75.16%。本文提出了两个改进措施,极大地提高了分类正确率:(1)直接使用GLCM的元素作为特征表达;(2)对肿瘤区域和肿瘤边界区域分别构造GLCM。在包含3064张图像的数据集上验证了方法的有效性:使用措施(1),分类正确率提高到了82.38%;结合措施(1)和(2),分类正确率提高到了90.7%。结果表明使用改进的基于GLCM的特征表达对于脑部肿瘤图像的分类问题是有效的。

基于统计阈值的脑肿瘤MRI图像的分割方法

我们提出了一种基于统计阈值的脑肿瘤MRI图像的分割方法。首先,通过预处理操作去除脉冲噪声和头骨影像,然后利用统计阈值分割方法对肿瘤进行了分割。为了克服经典阈值分割方法存在不完全分割的问题,利用分割后两个类的方差和概率定义了一个新的阈值选择准则,并通过最小化准则确定最佳分割阈值。实验结果证明,本方法分割效果好,解决了采用经典阈值分割方法对脑肿瘤的不完全分割问题。

脑肿瘤MRI增强前后的定量分析对鉴别诊断的意义

目的 探讨MRI增强前后对脑肿瘤鉴别诊断有价值的参数指标。方法 对 88例颅内常见肿瘤 ,包括 :星形细胞瘤 3 0例、脑膜瘤 2 0例、血管网状细胞瘤 12例、转移瘤 16例和听神经瘤 10例 (另有 10例肉芽肿性病变 ) ,增强前后的MRI图像进行分析 ,总结出了强化比值 (% )、平扫肿瘤实体部分与正常脑白质的相对信号强度 (RSIc )及增强后肿瘤实体部分与正常脑白质相对信号强度 (RSIGd)几个指标 ,并对这几个指标在各组肿瘤中进行了统计和比较 (独立t检验 ) ,得出各组不同指标的均值、标准差及 χ2 值。结果 RSIGd在良性与恶性星形细胞瘤之间及与其它各组之间均有显著性差异 (P <0 0 5 ) ,与听神经瘤和血管网状细胞瘤相比差异更显著 (P <0 0 1) ,高度星形细胞瘤与听神经瘤和血管网状细胞瘤相比亦有显著性差异 (P <0 0 5 ) ,脑膜瘤与听神经瘤和血管网状细胞瘤相比有显著性差异 (P <0 0 5 ) ;良性与恶性星形细胞瘤之间的强化比值 (% )差异不显著 (P >0 0 5 ) ,但与听神经瘤和血管网状细胞瘤相比亦有差异 (P <0 0 5 ) ;脑膜瘤与听神经瘤和血管网状细胞瘤相比也有显著性差异 (P <0 0 5 ) ;RSIc 在各组中的数值较集中 ,各组之间无明显的统计学意义。结论 RSIGd不但对星形细胞瘤级别的判断、还是在其他脑内肿瘤?

改进的主动轮廓模型在脑肿瘤MRI图像轮廓提取中的应用

针对主动轮廓模型(Snake)处理图像时的初始轮廓选取问题,采用改进的区域增长法对图像进行预分割,并将得到的边缘作为主动轮廓模型的初始边缘轮廓;然后分别用sobel算子与梯度矢量流(GVF)代替图像梯度进行主动轮廓模型外部能量的计算,在速度满足要求的情况下,提高了目标区域的提取精度。实验结果表明,基于GVF的主动轮廓模型在脑肿瘤的轮廓提取中能取得更好的效果。

融合密集连接与多尺度卷积的脑肿瘤MRI图像分割算法

针对现有脑肿瘤分割算法存在上下层联系匮乏、特征欠提取而导致分割精度低的问题,提出一种融合密集连接与多尺度卷积的U型算法,实现对脑肿瘤病灶的精确分割。通过对传统的U-Net算法进行改进,在编码和解码部分引入多尺度卷积、密集连接以及空洞卷积,增强算法对病灶特征的提取以及定位能力。使用BraTs2019数据集对改进后的算法进行实验验证,脑肿瘤整体区域、核心区域、增强区域的Dice分割指数达到0.8532,0.8721,0.7960,对应的Hausdorff距离分别为2.6089,1.5852,2.7416,相较于其他算法均有不同程度的提升。实验结果表明,所提算法可有效地实现对脑肿瘤的精准分割。

FCM算法在脑肿瘤MRI图像分割中的应用

聚类算法已广泛用于图像分割，根据模糊C－均值聚类算法（FCM）的磁共振颅脑图像的特点，我们利用FCM算法对磁共颅脑图像进行了分割。结果表明，聚类算法在脑肿瘤的MRI图像分割中能够得到比较理想的结果，优于边缘检测、域值分割等方法。

基于词袋模型的脑肿瘤MR图像分割方法

提出了一种基于词袋模型配合滑动窗口提取像素点特征的脑肿瘤MR图像分割方法。通过预处理去除非脑组织并进行灰度值归一化,采集图像的图像块特征并聚类生成视觉词典;在生成视觉词典的过程中,通过分别生成病灶区域词典和背景区域词典进而组合得到最终的联合视觉词典;利用联合词典配合滑动窗口对像素点进行表达并将其作为像素点的特征,利用逻辑回归分类器进行训练和分类从而完成对脑肿瘤的分割。在160幅脑肿瘤MR图像组成的数据集上进行实验,实验结果表明分割准确率达到90.42%。

基于改进U-Net模型的脑肿瘤MR图像分割

针对全卷积神经网络在医学图像分割中信息丢失、分割精度低等问题,提出了一种基于改进U-Net模型的脑肿瘤分割方法。首先使用深度残差模块替换U-Net结构中原有的卷积块,能够提取更多特征信息并防止网络退化;其次在U-Net的每个跳跃连接之间加入注意力机制,把注意力集中到对分割有用的特征,抑制冗余特征;最后采用改进的混合损失函数以缓解类不平衡的问题。使用BraTS提供的脑肿瘤MR图像数据集对改进模型进行验证,用Dice系数评估分割效果,在整体肿瘤区域、核心肿瘤区域和增强肿瘤区域的平均Dice值分别为:0.90、0.85、0.81。实验结果表明,本文提出的改进模型能够提高脑肿瘤MR图像分割精度,具有良好的分割性能。

结合CRF的DCNN脑肿瘤MRI分割方法

基于磁共振成像(MRI)的脑肿瘤及其亚结构的分割对脑肿瘤的诊断、治疗和评估有着十分重要的作用。近年来,深度卷积神经网络(DCNN)在分割领域中十分活跃。提出一种基于DCNN的脑肿瘤MRI图像分割方法。首先,采用级联的结构来分步分割肿瘤及其亚结构,其次,通过空洞空间金字塔池化模型(ASPP)来获取多尺度的信息,最后,通过条件随机场(CRF)来结合像素之间关系的信息。实验表明,该算法具有一定的优越性。

脑肿瘤MR图像分割方法现状及挑战

核磁共振成像(MRI)是辅助脑肿瘤诊断和治疗的重要手段,精准分割脑肿瘤病变区域和组织对于辅助诊疗具有重要作用。为使研究者对脑肿瘤MR图像分割现状有一个较清晰的了解,在参阅大量文献基础上,梳理近几年脑肿瘤MR图像分割发展情况,对传统的分割方法和基于深度学习的分割方法基本思想、方法理论和优缺点进行综述。对比发现,基于深度学习的分割方法较传统的分割算法有较好的效果,是当前主流的分割方法,推动了脑肿瘤MR图像自动分割方法在临床诊断上的应用,具有良好的发展前景。

基于改进U-Net模型和CBAM的脑肿瘤MRI图像分割

由于脑肿瘤图像分割常出现缺少上下文信息和分割效率低的情况,本文采用对U-Net模型改进的方法来解决此问题。首先,在U-Net中引入改进的残差块,其作用是对网络进行深化,便于提取更多的特征信息;然后通过加入CBAM机制的方法,使得网络更加关注某些特征层和空间区域,抑制非病灶区域的特征,以提高肿瘤分割的准确性。本文利用MICCAI提供的公开磁共振成像MRI数据集对改进模型进行验证,并利用Dice系数和精准率对模型进行评估,在整体、核心和增强肿瘤区两者分别达到0.883、0.80、0.789和0.899、0.845、0.804。结果显示,修改后的模型对脑肿瘤图像的分割精度和准确率均有所提高。

多尺度特征融合全卷积神经网络脑肿瘤MR图像分割

针对传统以及基于深度学习的脑肿瘤MR图像分割方法存在精度低、特征信息丢失等问题,提出一种多尺度特征融合全卷积神经网络的脑肿瘤MR图像分割算法。该算法首先对脑肿瘤MR图像的4种模态进行归一化处理;将得到的结果通过多尺度特征融合全卷积神经网络(MFF-FCN)。该网络是在全卷积神经网络的基础上,引入5×5、7×7大小的卷积核作为其它2种通路,以提高模型的特征信息提取能力。实验结果表明,MFF-FCN网络模型在特征提取和分割精度上都有较好的表现,尤其是在全肿瘤和边缘分割上,Dice、Sensitivity、PPV等指标都有明显的提升;且单幅脑肿瘤MR图像的分割时间平均用时不到1s,实用性较强。