基于卷积神经网络的MRI脑瘤图像分割方法研究

摘要

脑肿瘤是一种常见的神经系统疾病，高级胶质瘤作为其中最具代表性的恶性肿瘤，已经导致了很高的死亡率。作为一种广泛应用的图像技术，核磁共振（MRI）已经凭借其无骨性伪影、多参数成像、无辐射损害等特点在脑肿瘤图像分割中得到了普遍的应用并成为医学诊断和治疗的重要组成部分。因此应用MRI技术进行脑瘤分割已成为时下研究的热点。 传统的网络主要关注图像的细节信息，忽略了整体特征在分割过程中的重要作用。此外，随着网络深度的增加，一系列问题会随之出现，例如过拟合、收敛性降低、速度下降，准确率降低等。同时，在同一卷积层中进行尺度单一的卷积操作并不能全面表示特征信息。 针对上述问题，本文寻求并且提出了一种更适合脑瘤结构同时能够有效避免上面所提出的问题的自动分割方法。我们设计了一个全新的训练方法——联合训练深层网络和其相对应的浅层网络来有效促进网络训练，在收敛性提高的同时更全面地提取分割所需的图像信息。为了加快训练过程，我们利用已获得广泛认可的深度残差网络来解决深层网络的部分缺点，短连接操作也被加入由多个卷积核较小的卷积层组成的级联层来促进梯度流，从而加快网络的训练速度。我们在网络中加入了多尺度的操作，用不同尺度的卷积核同时提取短范围和长范围内的背景信息。为了更好的探讨不同结构对分割结果的影响，我们将网络进行了局部微调，得到了他的三种变体。我们的方法在BRATS2013和BRATS2015数据集上进行验证，与五种先进的方法相比，本文方法在Complete和Core的Dice和Sensitivity指标中获得了第一名(0.89，0.81，0.89，0.78)，并且取得了良好的表现。实验结果表明，该方法在提高网络训练速度的同时具有较好的分割精度。

目录

声明

1.1 研究背景及意义

1.2 研究现状

1.2.1 人工分割

1.2.2 半自动分割

1.2.3 自动分割

1.3 医学图像分割方法

1.3.1 基于区域的分割方法

1.3.2 基于边缘的分割方法

1.3.3 基于数学形态学的分割方法

1.3.4 基于模糊聚类的分割方法

1.3.5 基于神经网络的分割方法

1.4 本文研究内容与结构

第二章 卷积神经网络

2.1 卷积层

2.2 激活函数

2.3 池化层

2.4 全连接层

2.5 常用模型

2.5.1 LeNet

2.5.2 AlexNet

2.5.3 VGGNet

2.6 本章小结

第三章 基于卷积神经网络的脑瘤图像分割

3.1 预处理

3.2 脑瘤分割框架

3.2.1 DMSCNN

3.2.2 DSMCNN

3.2.3 DMSACNN

3.2.4 DSMACNN

3.3 后处理

3.4 训练

3.4.1 向前传播阶段

3.4.2 向后传播阶段

3.5 本章小结

第四章 脑肿瘤图像分割实验及分析

4.1 实验设置

4.2 四种分割框架对比

4.3 并行网络

4.4 具有短连接的级联网络

4.5 多尺度分析

4.6 与其他方法进行比较

4.7 本章小结

第五章 总结与展望

参考文献

攻读硕士学位期间发表的论文

致谢