【摘要】：原發(fā)性腦腫瘤起源于大腦中的腫瘤,在臨床上幾乎還沒找到任何確切的致病因素。在我國每年數(shù)以萬計(jì)的原發(fā)性性腦腫瘤患者中,神經(jīng)膠質(zhì)瘤的發(fā)病數(shù)占到了將近一半的比例,是最常見的原發(fā)性腦腫瘤。核磁共振成像技術(shù)相對計(jì)算機(jī)斷層成像技術(shù)而言有更清晰的軟組織對比度,能較好地顯示大腦內(nèi)在的結(jié)構(gòu)組織,這對于腦膠質(zhì)瘤的診斷與治療具有重大的臨床意義。在目前的臨床診治中,腦膠質(zhì)瘤的體積大小、形狀與分布、與周圍器官組織的相對位置等信息的獲取是進(jìn)行腫瘤定量分析的一個關(guān)鍵前提,同時對于腦膠質(zhì)瘤的手術(shù)切除與放射治療計(jì)劃的制定也有著重要的指導(dǎo)作用。因此,研究腦膠質(zhì)瘤的精準(zhǔn)分割是一個很重要的科研方向。在MR圖像中,雖然可以利用多模態(tài)技術(shù)對腦膠質(zhì)瘤的很多組織特性進(jìn)行成像,提升分割的準(zhǔn)確性,但是精準(zhǔn)分割依然是一個巨大的挑戰(zhàn)。這主要是因?yàn)槟X膠質(zhì)瘤不同于正常組織,不同個體之間的形狀、紋理、大小往往具有不小的差異性。另外,成像技術(shù)的限制帶來的圖像噪聲和不均勻性,使得腦膠質(zhì)瘤的圖像復(fù)雜多變,難以提取其本質(zhì)特征。目前較為常見的腦腫瘤分割算法主要分類為基于閾值的分割方法、基于區(qū)域的分割算法、基于像素分類的分割算法、基于模型的分割算法和基于圖譜的分割算法等。基于閾值的分割算法簡單直接但精度往往較低,大多只是作為其他算法的第一步;基于區(qū)域的分割算法能得到具有相似特性的區(qū)域,但對于部分容積效應(yīng)形成的模糊邊界的分割能力較差,并且對噪聲敏感和容易過度分割;基于像素分類的分割方法根據(jù)分類器的復(fù)雜度而有不同的分割特性,但都需要不少的標(biāo)注圖像進(jìn)行訓(xùn)練,其中人工神經(jīng)網(wǎng)絡(luò)的分割結(jié)果具有較高的精度但同時也需要大量的標(biāo)注數(shù)據(jù)和訓(xùn)練時間。基于模型的分割算法能引入有用的結(jié)構(gòu)先驗(yàn)知識,但對輪廓曲線的初始化和位置很敏感,且容易陷入局部極小值,同時其泛化性能和抗擾動性也較差;基于圖譜的分割方法能利用手動分割圖像的高精度優(yōu)勢,但其性能嚴(yán)重依賴于圖譜的配準(zhǔn)精度。近幾年來由于神經(jīng)網(wǎng)絡(luò)性能的不斷提升,同時有標(biāo)注的腦膠質(zhì)瘤圖像數(shù)量逐步增多和硬件計(jì)算性能的飛速提高,這些因素使得基于人工神經(jīng)網(wǎng)絡(luò)的分割算法的研究阻礙大大減少,成為了目前的一大研究熱點(diǎn)。全卷積DenseNet是目前優(yōu)秀的人工神經(jīng)網(wǎng)絡(luò)之一,其采用密集連接塊的形式使得網(wǎng)絡(luò)重用了圖像特征,有效地提升了特征利用率和網(wǎng)絡(luò)參數(shù)的優(yōu)化效率。全卷積DenseNet在分割自然圖像的評估上取得了優(yōu)異的表現(xiàn),但直接將其應(yīng)用于腦膠質(zhì)瘤的三維多模態(tài)MR圖像數(shù)據(jù)中并沒有取得很好的結(jié)果。由于數(shù)據(jù)量和數(shù)據(jù)特性上的不同,需要重新選擇一些網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練數(shù)據(jù)的超參數(shù)值,使得網(wǎng)絡(luò)結(jié)構(gòu)和腦膠質(zhì)瘤數(shù)據(jù)具有良好的匹配度。本文根據(jù)經(jīng)驗(yàn)對訓(xùn)練數(shù)據(jù)的維度、圖像塊大小、是否進(jìn)行數(shù)據(jù)擴(kuò)增、網(wǎng)絡(luò)結(jié)構(gòu)的大小、損失函數(shù)的具體形式以及圖像預(yù)測過程中的融合步長的大小這六個超參數(shù)進(jìn)行了實(shí)驗(yàn)。結(jié)果表明選擇圖像塊大小為64像素的3維體數(shù)據(jù)作為訓(xùn)練樣本并進(jìn)行左右翻轉(zhuǎn)的數(shù)據(jù)擴(kuò)增操作、在預(yù)測時間允許的條件下選擇較小的融合步長、在訓(xùn)練時間允許的條件下選擇較大的網(wǎng)絡(luò)結(jié)構(gòu)以及選擇逐樣本計(jì)算Dice損失值的損失函數(shù)的超參數(shù),能在有限的硬件條件和時間中更好地提升全卷積DenseNet在腦膠質(zhì)瘤分割中的性能。由于本文所使用的國際多模態(tài)腦腫瘤分割挑戰(zhàn)賽的任務(wù)目標(biāo)與一般自然圖像的分割目標(biāo)具有不小的區(qū)別,使得原始的全卷積DenseNet的參數(shù)學(xué)習(xí)過程只能間接提高目標(biāo)區(qū)域的分割精度。為了能直接提高腦膠質(zhì)瘤目標(biāo)區(qū)域的分割精度,本文提出了多Dice損失函數(shù)同時引導(dǎo)多區(qū)域分割的網(wǎng)絡(luò)結(jié)構(gòu)。在提取了所有腫瘤組織的通用圖像特征后,該結(jié)構(gòu)中的每個網(wǎng)絡(luò)分支對目標(biāo)區(qū)域內(nèi)的一類組織進(jìn)行針對性的圖像特征學(xué)習(xí),使得網(wǎng)絡(luò)能學(xué)習(xí)到更具有辨別性的組織特性,提高對腦膠質(zhì)瘤MR圖像的分割精度。本文使用了挑戰(zhàn)賽的數(shù)據(jù)集BraTS2015進(jìn)行了分割實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該結(jié)構(gòu)的確能提高網(wǎng)絡(luò)對腦膠質(zhì)瘤目標(biāo)區(qū)域的分割精度。測試集的整個腫瘤區(qū)、腫瘤核心區(qū)和增強(qiáng)腫瘤區(qū)這三個目標(biāo)區(qū)域的平均Dice相似度分別達(dá)到了 0.851、0.712 和 0.630。
【圖文】：

ＢｒａＴＳ２０１５數(shù)據(jù)集包括訓(xùn)練集和測試集兩部分。訓(xùn)練集包括２２０例高級別膠逡逑質(zhì)瘤與５４例低級別膠質(zhì)瘤及對應(yīng)的組織分割圖像。測試集包括１１０例膠質(zhì)瘤數(shù)逡逑據(jù)，但未提供更詳細(xì)的腫瘤分級與對應(yīng)的分割圖像。腦膠質(zhì)瘤（圖２－１．Ｆ）共分為逡逑以下４類：（１）顯示為紅色區(qū)域的壞死組織，（２）顯示為綠色區(qū)域的水腫，，（３）顯示逡逑為藍(lán)色區(qū)域的未增強(qiáng)腫瘤，（４）顯示為黃色區(qū)域的增強(qiáng)腫瘤。為了評估分割的優(yōu)劣，逡逑４中不同的組織被組合成了邋３個集合：（１）整個腫瘤，即所有類，（２）腫瘤核心區(qū)，逡逑由壞死組織、未增強(qiáng)腫瘤和增強(qiáng)腫瘤組成，（３）腫瘤增強(qiáng)區(qū)，僅由增強(qiáng)腫瘤組成。逡逑測試集是不公開的，僅能采用在線上傳的評估方式逡逑（ｈｔｔｐｓ：／／ｗｗｗ．ｓｍｉｒ．ｃｈ／ＢＲＡＴＳ／Ｓｔａｒｔ２０１５）。每個病例包括邋Ｆｌａｉｒ（圖邋２－ｌ．Ａ）、Ｔ１（圖逡逑２－ｌ．Ｂ）、Ｔ１邋增強(qiáng)或者邋Ｔｉｃ（圖邋２－ｌ．Ｃ）、Ｔ２（圖邋２－１．Ｄ）共邋４邋種邋ＭＲＩ邋模態(tài)。Ｆｌａｉｒ邋模態(tài)逡逑主要是為了揭示整個腫瘤組織的區(qū)域范圍；Ｔ２主要是為了體現(xiàn)腫瘤核心區(qū)域的逡逑范圍；Ｔｉｃ主要顯示了增強(qiáng)腫瘤己經(jīng)在其周圍的壞死組織的范圍。它們是由多達(dá)逡逑１９種不同的掃描設(shè)備配置和機(jī)構(gòu)提供的病例數(shù)據(jù)所組成。ＭＲＩ數(shù)據(jù)均校準(zhǔn)對齊逡逑至同一個解剖學(xué)結(jié)構(gòu)模版和去除了頭骨部分。每個圖像的大小為２４０＊２４０＊１５５，逡逑分辨率重采樣至且所有的圖像標(biāo)簽均由１至４個專家手動分逡逑割。逡逑６逡逑

圖３－１邋ＬｅＮｅｔ－５的結(jié)構(gòu)逡逑Ｆｉｇ．邋３－１邋Ｔｈｅ邋ａｒｃｈｉｔｅｃｔｕｒｅ邋ｏｆ邋ＬｅＮｅｔ－５逡逑
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R739.41;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 溫銳;陳宏文;張雷;盧振泰;;基于引導(dǎo)濾波的多圖譜醫(yī)學(xué)圖像分割[J];南方醫(yī)科大學(xué)學(xué)報(bào);2015年09期

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

3 林瑤;田捷;;醫(yī)學(xué)圖像分割方法綜述[J];模式識別與人工智能;2002年02期

相關(guān)博士學(xué)位論文 前1條

1 鄧萬凱;MRI圖像的腦腫瘤分割方法研究[D];華中科技大學(xué);2011年

本文編號：2685638