基于3D全卷積深度神經(jīng)網(wǎng)絡(luò)的腦白質(zhì)病變分割方法
發(fā)布時間：2022-01-08 06:39
腦白質(zhì)病變影像的自動分割對于大腦疾病的臨床診斷和研究具有重要的輔助作用。目前,研究者們主要采用深度學習解決腦白質(zhì)病變部位的自動分割問題,雖取得一定成果,但仍存在分割精度不高、小病變無法被精確分割的問題。本文提出一種融合殘差、金字塔池化和注意力機制的3D全卷積深度神經(jīng)網(wǎng)絡(luò)模型。該模型采用殘差連接避免深層網(wǎng)絡(luò)的梯度消失;采用金字塔池化聚合更多的上下文信息;采用注意力機制定位感興趣的目標。各模塊順次銜接,構(gòu)建具有較強學習能力的卷積模塊鏈,并在鏈條兩端分別附加上、下采樣結(jié)構(gòu),形成完整的端到端模型。實驗在MICCAI 2017數(shù)據(jù)集上進行,結(jié)果表明,本文方法的分割結(jié)果 DSC得分為0.762,召回率為0.727,精確率為0.801,特異性為0.991,優(yōu)于對比的其他方法。
【文章來源】：計算機與現(xiàn)代化. 2020,(10)
【文章頁數(shù)】：7 頁
【部分圖文】：
本文方法全卷積網(wǎng)絡(luò)結(jié)構(gòu)圖
為此，本文在網(wǎng)絡(luò)中引入殘差方法，設(shè)計具有4個殘差塊的殘差網(wǎng)絡(luò)，并在殘差塊的直連路徑中加入一個3D卷積，用于將輸入x調(diào)整為不同的尺寸，以便與主路徑輸出的數(shù)量和大小一致，如圖3所示。2.3 金字塔池化特征提取模塊
2015年Long等人[13]提出了FCN(Fully Convolutional Network)語義分割算法，通過跳躍結(jié)構(gòu)實現(xiàn)了全卷積神經(jīng)網(wǎng)絡(luò)在像素級上的端到端的訓練，同時能還原像素在原圖中的位置，保留原始輸入圖像的空間信息，實現(xiàn)逐像素分類。同年，Ronneberger等人[14]提出了一種用于醫(yī)學圖像分割的全卷積網(wǎng)絡(luò)結(jié)構(gòu)2D U-net，它是一種對稱編碼器—解碼器的結(jié)構(gòu)，該模型在實驗中取得了較好的結(jié)果。但由于大腦圖像是三維結(jié)構(gòu)，因此普遍采用2種方法分割3D數(shù)據(jù)，其中一種方法是通過將3D數(shù)據(jù)拆分成多個2D切片，第二種方法是將模型改為3D模型。相比于第二種方法，使用2D切片會忽略相鄰切片的三維空間信息，降低分割精度。2016年Cicek等人[15]在U-net網(wǎng)絡(luò)中使用3D卷積核，但該網(wǎng)絡(luò)沒有高效地學習到MRI圖像的深層和淺層特征，導(dǎo)致結(jié)果不佳。2017年Xu等人[16]提出了一種基于FCN和遷移學習的腦白質(zhì)高信號的快速自動分割方法，通過這種方法，在MRI圖像上進行預(yù)處理并且分割WMH需要大約10 s。2018年，Wang等人[17]使用FCN的方法分割WMH，對于大的病變部位分割的DSC分數(shù)可達0.8左右，但對于小的病變位置的DSC分數(shù)只有0.65。2018年Zhang等人[18]提出了一種基于U-net的后處理技術(shù)，對不同隨機初始化的U-net輸出進行平均和閾值處理。這種方法與所用模型無關(guān)，它可以應(yīng)用于其他的模型結(jié)構(gòu)。這種后處理方法可以提高WMH分割的準確性。2019年，Wu等人[19]提出了一種新穎的跳躍連接U-net。該方法在預(yù)處理階段引入了基于圖集的方法，去除非腦組織，并在U-net模型的基礎(chǔ)之上加入跳躍連接，從而提高分割精度。2019年，Jeong等人[20]采用帶有膨脹卷積的U-net模型，通過膨脹卷積在MRI切片上學習更多的上下文信息，增強了網(wǎng)絡(luò)識別大塊WMH的概率。但分割精度只有0.56，說明基于深度學習的網(wǎng)絡(luò)結(jié)構(gòu)還有待進一步的開發(fā)研究。本文方法的流程如圖1所示，首先對數(shù)據(jù)集進行預(yù)處理，預(yù)處理主要包括數(shù)據(jù)增強、統(tǒng)一圖像大小和歸一化。將預(yù)處理后的圖像分為訓練集、驗證集和測試集。之后將訓練集輸入本文的網(wǎng)絡(luò)中進行訓練，經(jīng)過下采樣和上采樣進行前向傳播，得到的特征圖與標簽數(shù)據(jù)用于計算損失函數(shù)，然后反向傳播訓練模型參數(shù)，最后利用訓練好的3D分割模型進行模型測試，得到測試數(shù)據(jù)的分割結(jié)果。
【參考文獻】：
期刊論文
[1]基于精細化殘差U-Net的新生兒局灶性腦白質(zhì)損傷分割模型[J]. 劉亞龍,李潔,王穎,仵賽飛,鄒佩. 計算機應(yīng)用. 2019(12)
本文編號：3576073
【文章來源】：計算機與現(xiàn)代化. 2020,(10)
【文章頁數(shù)】：7 頁
【部分圖文】：
本文方法全卷積網(wǎng)絡(luò)結(jié)構(gòu)圖
為此，本文在網(wǎng)絡(luò)中引入殘差方法，設(shè)計具有4個殘差塊的殘差網(wǎng)絡(luò)，并在殘差塊的直連路徑中加入一個3D卷積，用于將輸入x調(diào)整為不同的尺寸，以便與主路徑輸出的數(shù)量和大小一致，如圖3所示。2.3 金字塔池化特征提取模塊
2015年Long等人[13]提出了FCN(Fully Convolutional Network)語義分割算法，通過跳躍結(jié)構(gòu)實現(xiàn)了全卷積神經(jīng)網(wǎng)絡(luò)在像素級上的端到端的訓練，同時能還原像素在原圖中的位置，保留原始輸入圖像的空間信息，實現(xiàn)逐像素分類。同年，Ronneberger等人[14]提出了一種用于醫(yī)學圖像分割的全卷積網(wǎng)絡(luò)結(jié)構(gòu)2D U-net，它是一種對稱編碼器—解碼器的結(jié)構(gòu)，該模型在實驗中取得了較好的結(jié)果。但由于大腦圖像是三維結(jié)構(gòu)，因此普遍采用2種方法分割3D數(shù)據(jù)，其中一種方法是通過將3D數(shù)據(jù)拆分成多個2D切片，第二種方法是將模型改為3D模型。相比于第二種方法，使用2D切片會忽略相鄰切片的三維空間信息，降低分割精度。2016年Cicek等人[15]在U-net網(wǎng)絡(luò)中使用3D卷積核，但該網(wǎng)絡(luò)沒有高效地學習到MRI圖像的深層和淺層特征，導(dǎo)致結(jié)果不佳。2017年Xu等人[16]提出了一種基于FCN和遷移學習的腦白質(zhì)高信號的快速自動分割方法，通過這種方法，在MRI圖像上進行預(yù)處理并且分割WMH需要大約10 s。2018年，Wang等人[17]使用FCN的方法分割WMH，對于大的病變部位分割的DSC分數(shù)可達0.8左右，但對于小的病變位置的DSC分數(shù)只有0.65。2018年Zhang等人[18]提出了一種基于U-net的后處理技術(shù)，對不同隨機初始化的U-net輸出進行平均和閾值處理。這種方法與所用模型無關(guān)，它可以應(yīng)用于其他的模型結(jié)構(gòu)。這種后處理方法可以提高WMH分割的準確性。2019年，Wu等人[19]提出了一種新穎的跳躍連接U-net。該方法在預(yù)處理階段引入了基于圖集的方法，去除非腦組織，并在U-net模型的基礎(chǔ)之上加入跳躍連接，從而提高分割精度。2019年，Jeong等人[20]采用帶有膨脹卷積的U-net模型，通過膨脹卷積在MRI切片上學習更多的上下文信息，增強了網(wǎng)絡(luò)識別大塊WMH的概率。但分割精度只有0.56，說明基于深度學習的網(wǎng)絡(luò)結(jié)構(gòu)還有待進一步的開發(fā)研究。本文方法的流程如圖1所示，首先對數(shù)據(jù)集進行預(yù)處理，預(yù)處理主要包括數(shù)據(jù)增強、統(tǒng)一圖像大小和歸一化。將預(yù)處理后的圖像分為訓練集、驗證集和測試集。之后將訓練集輸入本文的網(wǎng)絡(luò)中進行訓練，經(jīng)過下采樣和上采樣進行前向傳播，得到的特征圖與標簽數(shù)據(jù)用于計算損失函數(shù)，然后反向傳播訓練模型參數(shù)，最后利用訓練好的3D分割模型進行模型測試，得到測試數(shù)據(jù)的分割結(jié)果。
【參考文獻】：
期刊論文
[1]基于精細化殘差U-Net的新生兒局灶性腦白質(zhì)損傷分割模型[J]. 劉亞龍,李潔,王穎,仵賽飛,鄒佩. 計算機應(yīng)用. 2019(12)
本文編號：3576073
本文鏈接：http://sikaile.net/yixuelunwen/shenjingyixue/3576073.html
最近更新
教材專著
