基于全卷积网络的脑核磁图像分割

摘要

颅内肿瘤是一种常见的神经外科疾病，现阶段该疾病的治疗方法以手术切除为主。在神经外科手术中，导航系统可以对病人、病灶、手术器械等实时定位，有效提升了手术精度，降低了手术风险。脑核磁图像肿瘤分割是神经导航系统中的重要模块之一，可以提供肿瘤的位置和边缘信息，有助于提高脑肿瘤的切除率，具有重要的临床应用价值。现有的分割模块通常采用传统分割算法，分割的效率和准度往往比较低。近年来，深度学习和人工神经网络的高速发展为脑核磁图像分割提供了新的解决方案。本文主要通过深度学习方法，构建了一种神经网络模型，用于对脑核磁图像中肿瘤的自动分割。 相比于传统算法，基于深度学习的分割算法可以更好地利用图像不同深度的信息，在肿瘤边界不明显且图像噪声较大的场景下，能够得到更为准确的分割结果。另一方面，脑部肿瘤的大小、形状、位置等在个体间差异较大，与传统分割算法相比，基于深度学习的分割算法具有更好的鲁棒性。本文首先研究图像分割网络的原理和改进方法，在全卷积网络的基础上，加入数据项处理，加快了网络收敛速度。随后调整了网络的结构和损失函数等参数，提高了网络分割的精度。最后，针对网络设计和训练过程中的不足，提出了相应的改进方法。 与传统算法相比，基于深度学习的分割算法效率更高，分割结果具有更好的稳定性和准确性，在脑核磁图像分割场景中有很大的应用价值。

目录

第一个书签之前