基于深度学习的脑肿瘤分割及生存周期预测方法研究.pdfVIP

基于深度学习的脑肿瘤分割及生存周期预测方法研究

摘要

脑肿瘤是对人体危害最大的肿瘤类型之一，其严重影响患者的健康，甚至威胁生

命。由于脑肿瘤结构的复杂性以及肿瘤边界信息的模糊性等问题，针对脑肿瘤的诊断

和治疗一直是临床上的一大难题。磁共振成像技术能够提供不同模态的脑肿瘤图像，

为解释脑肿瘤的内部结构提供了极大的便利。深度学习的不断发展极大地提高了脑肿

瘤分割的精度，同时也为脑肿瘤患者术后的生存周期预测提供了强有力的支持。针对

脑肿瘤分割及病患生存周期预测两个任务，本文的主要研究内容如下：

（1）本文针对脑肿瘤分割任务采用了一种基于注意力引导的3DU-Net网络AG

3DU-Net，该网络用注意力引导滤波器替换了标准的跳跃连接，并在模型训练前设计了

模态权重模块对不同模态的图像进行加权。注意力机制的加入弥补了传统的卷积神经

网络全局建模能力不足的问题，模态权重模块的设计使模型在训练过程中能够关注到

不同模态图像对于不同脑肿瘤区域重要程度上的差异。另外，为解决训练过程中的样

本类别不平衡问题，本文在损失函数的设计上将DiceLoss和FocalLoss进行结合，使得

脑肿瘤图像中占比较小的肿瘤区域在训练过程中得到更多的关注。本文在Brats2020数

据集上对该模型的性能进行了测试并进行了一系列的对比实验和消融实验。最终的实

验结果表示本文采用的脑肿瘤分割方法在分割精度优于其他方法。

（2）本文针对病患的生存周期预测任务采用了一种基于特征融合的深度学习的方

法。本文采用深度学习的方法，利用卷积神经网络从脑图像及脑肿瘤分割图中自动提

取特征，极大地提高了特征提取的质量和效率，解决了传统的机器学习的预测方法需

要手动提取特征费时费力的问题。另外，本文采取特征融合的策略，将从图像中提取

到的放射学特征、深度学习抽象特征以及数据集提供的病患年龄特征融合为一个综合

特征集进行生存周期预测。该策略使得提取到的特征信息更加全面，弥补了大多数方

法仅依靠放射学特征进行生存周期预测的局限性。本文在Brats2020数据集上对该方法

的性能进行测试并进行一些列对比实验和消融实验。最终的实验结果表示本文采用的

方法提高了生存周期预测的准确率。

关键词：脑肿瘤分割；3DU-Net；注意力机制；生存周期预测；特征融合

基于深度学习的脑肿瘤分割及生存周期预测方法研究

Abstract

Braintumorisoneofthemostharmfultumortypestohumanbody,whichseriouslyaffects

thehealthofpatientsandeventhreatenstheirlives.Becauseofthecomplexityofbraintumor

structureandtheambiguityoftumorboundaryinformation,thediagnosisandtreatmentofbrain

tumorhavebeenamajorprobleminclinicalpractice.Magneticresonanceimagingcanprovide

imagesofbraintumorswithdifferentmodes,whichprovidesgreatconvenienceforexplaining

theinternalstructureofbraintumors.Thecontinuousdevelopmentofdeeplearninghasgreatly

improvedtheaccuracyofbraintumorsegmentation,andalsoprovidedstrongsupportforthe

predictionofsurvivalcycleofbraintumorpatientsaftersurgery.Aimingatthetwotasksof

braintumorsegm