發(fā)布時間：2020-05-14 19:19

【摘要】：膠質(zhì)瘤是一種常見的惡性腦腫瘤,其死亡率和患病率極高,嚴重危害著人類生命健康。隨著現(xiàn)代成像技術(shù)的快速發(fā)展,特別是核磁共振成像(Magnetic Resonance Imaging,MRI)技術(shù),醫(yī)生可以根據(jù)多模態(tài)MRI圖像來診斷和評估腦腫瘤的情況,從而制定有效的治療方法。因此,及時和精確的腦腫瘤分割在醫(yī)生為患者制定治療計劃、進行手術(shù)和預(yù)后隨訪等多個過程中是非常重要的。然而,人工分割腦腫瘤是一項費時費力的工作,并且易于受到主觀因素的影響。因此,研究人員致力于開發(fā)自動腦腫瘤分割技術(shù)。然而,由于腦腫瘤本身形狀多變,結(jié)構(gòu)復(fù)雜,強度不均勻等特點,并且腦腫瘤分割存在著嚴重的類別不均衡問題,所以,自動腦腫瘤分割方法的研究是一項具有很大挑戰(zhàn)性的任務(wù)。隨著近些年來深度學(xué)習(xí)的蓬勃發(fā)展,越來越多的研究者將其應(yīng)用到腦腫瘤分割領(lǐng)域,并且取得了不錯的結(jié)果。特別地,模型級聯(lián)策略最近被廣泛用于醫(yī)學(xué)圖像分割任務(wù)中。該策略通過運行一系列獨立的深度模型,有效地緩解了常見的類別不均衡問題,實現(xiàn)了從粗到精的分割,取得了優(yōu)異的分割性能。然而,我們觀察到這種策略存在著系統(tǒng)復(fù)雜性高,并且忽視模型間的關(guān)聯(lián)性等缺陷,因此,為了解決以上缺陷,本文提出了一個高效級聯(lián)的腦腫瘤分割模型。首先,本文將模型級聯(lián)中的多個分割任務(wù)集成到一個深度模型中,該模型即為單次預(yù)測多任務(wù)卷積網(wǎng)絡(luò)(One-pass Multi-task Network,OM-Net),它不僅能利用任務(wù)間的相關(guān)性從而節(jié)省大量的訓(xùn)練參數(shù),并且只需要通過一次網(wǎng)絡(luò)就能得到多個任務(wù)的分割結(jié)果,并且取得了更好的腦腫瘤分割結(jié)果,因此比模型級聯(lián)策略更好地解決了類別不均衡問題。此外,基于OM-Net特殊的結(jié)構(gòu),本文設(shè)計了在線數(shù)據(jù)遷移策略,從而使得某些任務(wù)獲得更多的訓(xùn)練數(shù)據(jù),提高數(shù)據(jù)利用率。另外,本文提出了基于課程學(xué)習(xí)的訓(xùn)練策略,按照從易到難的順序,將任務(wù)依次加入到OM-Net中,從而更有效地訓(xùn)練OM-Net。其次,本文通過共享任務(wù)間的預(yù)測結(jié)果來進一步探索其相關(guān)性,提出了跨任務(wù)指導(dǎo)的注意力(Cross-task Guided Attention,CGA)模塊。在上個任務(wù)產(chǎn)生的粗糙分割結(jié)果的指導(dǎo)下,CGA能夠按照特定類別的統(tǒng)計信息來對通道級特征響應(yīng)進行自適應(yīng)地校正。相較于流行的SE(SqueezeExcitation)塊,CGA利用任務(wù)間的相關(guān)性,來提供額外的指導(dǎo)信息,從而幫助學(xué)習(xí)特定類別的通道注意力。最后,本文提出了一個簡單有效的后處理方法,來微調(diào)OM-Net的分割結(jié)果,進一步提升分割性能。本文在多個數(shù)據(jù)集上進行了系統(tǒng)的實驗,從而驗證所提方法的有效性。本文所提的方法在BraTS 2015和BraTS 2017數(shù)據(jù)集上分別取得了當(dāng)前最好的性能。此外,基于這些方法,我們在BraTS 2018比賽中從64支參賽隊里脫穎而出,獲得了第三名的好成績。
【圖文】：

第一章 緒論圖 1-1 所示。自 20 世紀 70 年代以來，腦腫瘤 MRI 圖像的分割由于其本身較高的挑戰(zhàn)性和臨床相關(guān)性，吸引了許多研究學(xué)者的關(guān)注。腦腫瘤分割方法可以根據(jù)人為干預(yù)程度，分為人工分割、半自動分割和全自動分割[1]。人工分割要求放射科醫(yī)生使用由 MRI 圖像呈現(xiàn)的多形態(tài)信息，來手動繪制腫瘤輪廓和感興趣的區(qū)域，如圖 1-1 所示。人工分割不僅是一項乏味、枯燥、費時的工作，而且易受不同分割者的主觀經(jīng)驗和評判標(biāo)準的影響。但是，人工分割是目前認為最準確的分割方式，其分割結(jié)果通常作為比照對象，，被廣泛應(yīng)用于評估半自動和全自動方法的性能，我們稱之為 Ground Truth。半自動分割方法需要用戶交互，主要有三個目的：初始化、干預(yù)或反饋響應(yīng)和評估。盡管半自動腦腫瘤分割方法比人工手動方法要省時，但它相對依賴人的初始化，仍然容易受到干預(yù)者主觀因素的影響。因此，目前的腦腫瘤分割研究主要集中在全自動分割方法上。全自動分割不需要用戶交互，能夠自動定位并分割腦腫瘤區(qū)域。

在三個正交平面上對圖像進行采樣[42]
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R739.41;TP391.41

【參考文獻】

相關(guān)期刊論文 前1條

1 萬俊;聶生東;王遠軍;;基于MRI的腦腫瘤分割技術(shù)研究進展[J];中國醫(yī)學(xué)物理學(xué)雜志;2013年04期

相關(guān)碩士學(xué)位論文 前3條

1 王瑞;多模態(tài)MRI腦腫瘤圖像分割方法研究[D];山東大學(xué);2018年

2 劉瑞;基于多模態(tài)MRI圖像的腦腫瘤分割方法[D];電子科技大學(xué);2017年

3 羅蔓;結(jié)合MRI多模態(tài)信息與3D-CNNS特征提取的腦腫瘤分割研究[D];南方醫(yī)科大學(xué);2015年

本文編號：2663814