基于SLIC和深度学习的脑部MR图像分割算法研究.pdf

摘要

摘要

随着医学影像技术不断发展，利用核磁共振成像（MagneticResonanceImaging，

MRI）技术能够获得清晰的人体内部组织结构图像。图像分割技术则能够通过计算机，

辅助医生快速判断病情、制定合理的诊疗方案，从而挽救患者生命。从脑部MR图像

中精准分割脑肿瘤是当前具有重大意义和挑战性的研究课题。脑部组织结构的复杂性

以及MR图像本身的特点都会在一定程度上限制分割算法准确性的提升。本文受到超

像素概念启发，重点研究基于超像素与深度学习方法的脑肿瘤分割问题，具体内容概

括如下：

（1）基于自适应纹理感知超像素分割算法AG-SLIC（AdaptiveGaborSimple

LinearIterativeClustering，AG-SLIC）

超像素具有比像素更高级的表现形式，能够减少噪声影响，同时使不同区域之间

对比更加明显。目前应用较为广泛的简单线性迭代聚类（SimpleLinearIterative

Clustering，SLIC）算法需要人为设置分割参数，并且缺乏纹理感知能力。针对这些

问题，本文使用基于计算图像复杂度的方式实现自适应参数选取，通过设计不同尺寸、

不同方向的Gabor滤波器增强算法对纹理特征的感知能力。实验结果表明，AG-SLIC

算法能够自适应分割出合适的超像素数目，并且在超像素的边缘贴合性、紧凑性和规

则性三者之间取得较好的平衡。

（2）基于多尺度信息融合的分割网络（Multi-scaleinformationFusionNetwork，

MSF-Net）

为了从脑部MR图像中获取精准的肿瘤轮廓，针对现有的卷积神经网络模型参数

量和分割精度限制问题，本文从扩增上下文信息融合通路出发，设计构建以级联U

型网络为主干的多尺度信息融合分割网络。通过引入带有残差Inception结构的空洞

卷积模块和多尺度池化模块，增加多尺度信息的获取。利用权值共享模块作为主干网

络的基础层，从而使模型参数量保持在较低水平。实验结果表明，相较于对比算法，

MSF-Net拥有更高分割精度以及较低参数水平。

（3）结合超像素与卷积神经网络的脑肿瘤分割框架

针对脑肿瘤分割任务特点与难点，本文整合AG-SLIC算法和MSF-Net分割网络，

构成完整脑肿瘤分割框架。该框架首先对输入图像进行中值滤波处理，接着使用

AG-SLIC算法进行超像素网格化，然后通过像素重建操作获取增强图像，最后使用

MSF-Net完成脑肿瘤轮廓分割。实验结果表明，分割精度有所提高。

关键词：MR图像分割深度学习卷积神经网络超像素脑肿瘤

I

Abstract

Abstract

Withthedevelopmentofmedicalimagingtechnology,MagneticResonanceImage

(MRI)technologycanobtainclearimagesoftheinternaltissuestructureofthehuman

body.Imagesegmentationtechnologycanhelpdoctorsquicklyjudgetheconditionand

makereasonablediagnosisandtreatmentplansthroughcomputer,soastosavethelivesof

patients.AccuratesegmentationofbraintumorsfrombrainMRImagesisaresearchtopic

ofgreat