基于深度学习的脑肿瘤MR图像分割方法研究.pdf

基于深度学习的脑肿瘤MR图像分割方法研究

摘要

脑肿瘤是脑部常见的多发病症，其中，胶质瘤是最具侵蚀性的恶性脑肿瘤

之一，严重危及患者的生命。因此，基于医学图像分析的早期诊断和治疗尤为

重要。在各类医学成像技术中，用于人体内部多模态成像的核磁共振成像技术

(MagneticResinanceImaging,MRI)是常用的医学诊断工具之一。然而，仅靠医

生手动将各个模态结合并完成精细分割耗时耗力，如何有效对脑肿瘤进行自动

分割成为重要的研究内容。

基于深度学习算法的图像分析是目前最为火热的研究方向，通过设计卷积

神经网络(ConvolutionalNeuralNetwork,CNN)或Transformer可直接端到端的完

成图像语义分割等视觉任务。然而，经典深度学习算法在处理脑肿瘤MR图像

时仍存在一些问题：(1)传统CNN在建模时缺乏对脑肿瘤特性的理解；(2)3D

CNN及Transformer在处理体积图像时会面临极高的参数和计算复杂度；(3)经

典模型泛化性较低，网络架构仍需根据特定的图像信息进行优化和改进。

针对上述问题，本文从图像语义分割算法的角度出发，探索并应用了基于

深度学习的分割方法，提出了3种基于卷积神经网络和Transformer的医学图像

分割模型。

(1)切片样本中存在肿瘤尺寸和类别的不平衡，该不平衡问题直接影响了模

型最终的分割相似度。同时，U型网络在进行跳跃连接时忽视了特征的兼容性，

容易导致模型整体出现语义混乱。针对该问题，本文提出一种2D多尺度网状聚

合特征提取CNN(MSMANet)，通过多尺度上下文建模以及网状聚合的方法，缓

解上述不平衡和语义鸿沟的问题。首先，模型编码器中引入改进的Inception模

块代替标准卷积，以从不同尺寸感受野下提取并聚合有效的特征。其次，提出

一种新的网状聚合策略，使得浅层特征逐步细化，继而缓解编解码器之间的语

义鸿沟问题，同时，网状聚合策略最大化地聚合不同尺度下的多等级特征，实

现了特征之间的优势互补。最后，通过合理地布置注意力机制以及深监督策略，

有效地提高网络了识别和收敛能力。

(2)2DCNN无法充分利用3D图像全空间上下文信息，而传统3DCNN存在

计算量过大问题。针对该问题，本文提出一种3D超轻量级幽灵空间金字塔

I

CNN(GSPNet)。首先，网络中使用幽灵模块代替标准卷积以减小网络的计算量。

其次，我们基于幽灵模块提出一种新的轻量级幽灵空间金字塔卷积(Ghost

SpatialPyramid,GSP)模块，该模块在编码路径以极低的计算代价学习到不同感

受野下的特征，从而提高网络的表征力和多尺度特征处理能力。最后，使用残

差幽灵模块作为解码器以细化语义信息，同时避免网络退化。

(3)传统CNN存在固有的归纳偏置，设置的卷积操作通常无法对远距离特

征进行建模，从而使模型无法捕获全局上下文信息。对此，本文继续对提出的

GSPNet进行改进，提出一种结合自注意力和MetaFormer的轻量级模型

(GMetaNet)。GMeta-Net包含一个共享编码路径和两个解码路径，其中，编码路

径利用本文提出的GSP和幽灵自注意力(GhostSelf-attention,GSA)提取局部和

全局上下文特征，而两个解码路径则分别继续对局部特征和全局上下文特征进

行建模。GMetaNet的局部解码器与GSPNet的解码器相同，而全局解码器则引

入改进的MetaFormer架构来处理包含全局信息的高级语义特征。同时，我们将

局部解码路径中的特征图融合至全局解码路径，利用不同分布的局部特征来增

强全局解码路径的表征，同时减轻重新建模的计算量。局部-全局解码器在最后

被添加了辅助损失，而主损失函数则作用在融合了局部和全局上下文的特征图

之后。

关键词：核磁共振图像；脑肿瘤分割；卷积神经网络；注意力机制；

Transformer

II