目的腦腫瘤是一種嚴(yán)重威脅人類(lèi)健康的疾病。利用計(jì)算機(jī)輔助診斷進(jìn)行腦腫瘤分割對(duì)于患者的預(yù)后和治療具有重要的臨床意義。3D卷積神經(jīng)網(wǎng)絡(luò)因具有空間特征提取充分、分割效果好等優(yōu)點(diǎn),廣泛應(yīng)用于腦腫瘤分割領(lǐng)域。但由于其存在顯存占用量巨大、對(duì)硬件資源要求較高等問(wèn)題,通常需要在網(wǎng)絡(luò)結(jié)構(gòu)中做出折衷,以犧牲精度或訓(xùn)練速度的方式來(lái)適應(yīng)給定的內(nèi)存預(yù)算�；谝陨蠁�(wèn)題,提出一種輕量級(jí)分割算法。方法使用組卷積來(lái)代替常規(guī)卷積以顯著降低顯存占用,并通過(guò)多纖單元與通道混合單元增強(qiáng)各組間信息交流。為充分利用多顯卡協(xié)同計(jì)算的優(yōu)勢(shì),使用跨卡同步批量歸一化以緩解3D卷積神經(jīng)網(wǎng)絡(luò)因批量值過(guò)小所導(dǎo)致的訓(xùn)練效果差等問(wèn)題。最后提出一種加權(quán)混合損失函數(shù),提高分割準(zhǔn)確性的同時(shí)加快模型收斂速度。結(jié)果使用腦腫瘤公開(kāi)數(shù)據(jù)集BraTS2018進(jìn)行測(cè)試,本文算法在腫瘤整體區(qū)、腫瘤核心區(qū)和腫瘤增強(qiáng)區(qū)的平均Dice值分別可達(dá)90.67%、85.06%和80.41%,參數(shù)量和計(jì)算量分別為3.2 M和20.51 G,與當(dāng)前腦腫瘤分割最優(yōu)算法相比,其精度分別僅相差0.01%、0.96%和1.32%,但在參數(shù)量和計(jì)算量方面分別降低至對(duì)比算法的1/12和1/73。結(jié)...

【文章頁(yè)數(shù)】：12 頁(yè)

【部分圖文】：

圖2 完整網(wǎng)絡(luò)結(jié)構(gòu)示意圖

在常規(guī)卷積中,輸出層的每一通道均由輸入層的所有通道經(jīng)過(guò)卷積運(yùn)算得到,而組卷積將通道分為多組后進(jìn)行卷積操作,減少了特征層和卷積核之間的聯(lián)系,大大降低參數(shù)量。如圖4(b)所示,以組數(shù)為3、卷積核尺寸為3×3×3的組卷積為例,首先將具有Cin通道的輸入層分為3組,每組通道數(shù)為Cin/3....

圖3 基于組卷積和殘差結(jié)構(gòu)的MFS單元示意圖

圖2完整網(wǎng)絡(luò)結(jié)構(gòu)示意圖pa=k×(4×Cin/4×Cmid/4+

圖4 組卷積與多纖單元的結(jié)構(gòu)示意圖

4×Cmid/4×Cout/4)(1)式中,k為卷積核尺寸。整個(gè)網(wǎng)絡(luò)呈稀疏連接,普通卷積的參數(shù)量

圖5 通道混合單元的原理細(xì)節(jié)圖

組卷積層如從不同組獲得輸入數(shù)據(jù),則每組的輸出層將和其他的輸入層更好地關(guān)聯(lián)。以?xún)纱蔚慕M數(shù)為4的組卷積操作為例,如圖5(a)所示,普通組卷積每次的輸出層僅與同組的輸入層有關(guān),加入了通道混合單元后如圖5(b)所示,對(duì)于第1次的輸出層,先將每個(gè)組中的通道分為4個(gè)子組,將所有子組逐一提....

本文編號(hào)：4033842