基于U-net模块的多尺度脑肿瘤分割网络
这是一篇关于脑肿瘤,医学图像分割,深度学习,卷积神经网络,U-net的论文, 主要内容为近年来,脑肿瘤的分割任务已经逐渐成为医学图像研究领域的一个热点问题。一般情况下,脑肿瘤致死率、致残率极高,对人体的健康有很大的危害。其中,胶质瘤是最常见的脑肿瘤,它是由神经胶质细胞癌变而形成的,可分为低级别胶质瘤(Low-grade glioma,LGG)和高级别胶质瘤(High-grade glioma,HGG),HGG通常由LGG恶化形成。尽管目前的治疗水平有所提升,但是HGG患者的预后仍旧很差,中位生存期不到两年甚至更短,与HGG相比,LGG患者的治疗和预后更有效。为了更好地治疗患者同时尽力的延长他们的生存时间,及时并准确地分割出胶质瘤,辅助医生制定适当的治疗计划是非常重要的。在诊断成像技术的发展过程中,诞生了各种各样的脑肿瘤成像检查方式,其中,磁共振成像(MRI)由于具有很高的软组织分辨率和空间分辨率,没有辐射损伤,可以提供广泛的生理意义的对比,并通过成像来区分不同的组织,且MRI所得的特征能够大大提高对脑肿瘤恶性程度的准确性的评估,因此广泛用于诊断脑和神经系统异常。尽管技术手段有所提升,但脑肿瘤分割仍然是一项艰巨的任务,因为肿瘤的边界通常是模糊的,并且不同患者的肿瘤形状、位置和范围存在高度的可变性。因此,设计一个可有效分割脑肿瘤的自动算法是很重要且具有挑战性的,在过去的几十年中,研究者们已经提出了许多相关的算法,其中,基于深度学习的算法在脑肿瘤分割方面取得了良好的效果。在前人研究的基础上,本文提出了一种基于u-net模块的多尺度脑肿瘤图像(MRI)分割网络,网络主要由编码和解码两部分构成。在编码阶段,网络使用卷积层、u-net模块、多尺度池化块来捕获不同分辨率下的长距离空间信息;在解码阶段,则分别对不同分辨率的特征图进行上采样并进行融合,以提取和利用足够的特征。在u-net模块中,我们使用了 Xception模块和3D深度可分离卷积来保护信息的完整性并降低网络的计算量,其中,较浅的卷积层可以学习图像的局部特征和低维特征,而较深的卷积层可以学习网络的全局特征和高维特征,通过跳跃连接的级联操作则可以直接将这些特征传递至解码层,从而为网络提供更加详细和丰富的信息;在多尺度池化块中,我们利用不同大小的池化核并行处理特征,以获得不同大小的感受野信息,这样,网络即可获得不同尺度的上下文特征。为了验证本文网络的性能,我们在BraTS 2015测试集上进行了大量的对比、消融实验,最终,本文提出的多尺度分割网络实现了完整肿瘤区域,肿瘤核心区域和强化肿瘤区域的Dice评估指标分别为0.85、0.72和0.61的分割结果。与现有的一些较为先进的肿瘤图像分割方法相比,我们的网络是非常有竞争力的。
基于级联改进U-Net网络的脑肿瘤三维医学图像分割
这是一篇关于脑肿瘤,级联策略,多层特征融合,空洞卷积,条件随机场,空间注意力机制的论文, 主要内容为脑肿瘤可分为不同的子区域:水肿、增强肿瘤、非增强肿瘤和坏死区域。识别这些区域对于脑肿瘤的治疗具有很高的价值。在脑肿瘤的诊断、治疗以及后续研究过程中,磁共振图像常被用于对肿瘤的位置、形状及大小进行观察。因为手动分割脑肿瘤的子区域非常消耗时间,容易出错且主观性强,所以需要设计准确、高效且可重复的自动分割脑肿瘤图像的方法。本论文针对脑肿瘤三维图像分割问题,提出一种级联的、包含帧内-帧间卷积的改进型U-Net网络,称为MDC U-Net;以及一种基于空间注意力机制的UNet网络,称为SA U-Net。前者使用帧内卷积和帧间卷积,加入多层特征融合、空洞卷积以及由条件随机场构建的循环神经网络;后者加入了空间注意力模块。本论文的主要贡献有四个方面:第一,针对单级多类分割的卷积神经网络训练难度大且分割结果准确率低的情况,提出多级网络级联的策略,将多类分割任务简化为多个二类分割任务,不仅降低了单个任务的分割难度,而且每级网络的复杂度不高,易于训练。第二,针对3D卷积参数量过多,而2D卷积无法提取完整空间特征的情况,使用帧内卷积和帧间卷积结合的方式,既能够提取空间特征信息又可以减少显存占用;同时对帧间卷积层进行残差连接,用于缓解网络退化的问题。第三,针对分割结果准确度不高的情况,在U-Net网络中加入多层特征融合、空洞卷积以及由条件随机场构建的循环神经网络,使网络对于三维医学图像的分割性能进一步提升。第四,针对小目标区域分割难度大的问题,在UNet网络的跳层连接中加入空间注意力模块,提高了增强肿瘤区域的分割结果。本论文的实验采用MICCAI Bra TS 2018数据集,首先验证了对U-Net采取的不同改进方法的有效性,从而确定最终设计方案,然后与其他方法的分割结果进行了对比。实验结果表明,MDC U-Net对肿瘤整体、肿瘤核以及增强肿瘤区域的Dice系数和Hausdorff距离分别达到了0.9093、0.8254、0.7855以及3.8188、7.8487、4.3264,与其他脑肿瘤分割方法相比,在肿瘤整体区域的分割任务中具有较明显的优越性;SA U-Net对增强肿瘤区域分割的精度有所提高,初步验证了引入空间注意力机制的有效性。
基于多模态融合的Res U-Net网络在脑肿瘤分割上的应用研究
这是一篇关于残差网络,U-Net网络,多模态融合,医学图像分割,脑肿瘤的论文, 主要内容为医学影像是医疗研究诊断疾病、规划治疗方案、评价治疗效果等应用中的关键技术,医疗影像采集技术已全面普及,比如说计算机断层扫描(CT)、核磁共振成像(MRI)、超声扫描等医学影像技术已广泛应用于医疗诊断中。医学图像处理是医学图像研究的重要领域之一,医学图像分割是重要的医学图像处理研究方向之一,分割出感兴趣区域的医学图像可以作为医生诊断与治疗的重要参考凭据。目前在医学图像分割领域已经有许多研究基于传统方法实现了医学图像的分割,近几年随着GPU计算能力的提升以及深度学习的发展,基于卷积神经网络的图像分割方法得以落地实现,这类方法凭借其端到端的处理方式以及良好的分割效果,已经成为主要的医学图像分割研究方法。相较于基于传统算法的实现,基于卷积神经网络的分割方法能够实现医学图像的自动分割,这类方法极大地提高了图像分割速度与精确度。本文主要研究卷积神经网络在脑肿瘤分割领域的应用。目前脑肿瘤分割仍然存在着严峻的挑战,首先是脑胶质瘤形态多变且具有浸润性,边界十分模糊,不易于分割;其次MRI图像强度不均衡,不同设备不同时间拍摄的影像强度不一致;脑肿瘤还存在类别不平衡的问题,图像中大部分组织属于非肿瘤部分。基于以上问题本文以脑肿瘤MRI影像为研究对象,提出了一种基于多模态的Res U-Net图像分割模型。本文的主要工作如下:(1)提出了一种基于多模态融合的Res U-Net脑肿瘤分割模型,该模型不仅结合了U-Net网络结构与残差模块思想,还根据MRI影像的多模态特性提出了一种加权多模态信息融合方法。该模型在Bra TS2017数据集上与其他主要方法进行了综合评估,结果显示本文所提出的方法在分割精度上优于其他参与比较的方法。(2)将脑肿瘤影像分割扩展到三维尺度,通过一种基于三维卷积的多模态Res U-Net实现了三维医学影像分割,同时通过改善网络结构与图像预处理,缓解了模型因维度提升带来的大量参数对网络训练造成的影响。实验表明,本文提出的方法在脑肿瘤MRI图像分割上具有一定的竞争力。
基于改进U-Net的脑肿瘤MRI图像分割研究
这是一篇关于医学图像分割,MRI图像,脑肿瘤,注意力机制,U-Net网络的论文, 主要内容为脑肿瘤是较为常见的肿瘤疾病,这种肿瘤呈现出侵袭性生长的模式,严重危害患者身心健康。医学图像可以清晰地呈现病灶的详细情况,为医生对病情的了解、诊断治疗提供依据。脑肿瘤医学图像分割作为计算机辅助诊断系统的一部分,是在图像中将脑肿瘤与正常脑部组织进行分离,进而得到脑肿瘤分割效果图。随着深度学习的兴起,大量学者投入到脑肿瘤医学图像分割领域,提出了许多网络框架,并取得了不错的分割结果。其中,U-Net分割网络框架应用得最为广泛。然而,在脑肿瘤分割过程中也会遇到一些问题,如噪声、脑肿瘤MRI图像样本不平衡影响分割精度以及当前深度学习网络复杂难以满足实时性要求等问题。因此,本文针对脑肿瘤MRI图像分割过程中所面临的问题,基于U-Net网络框架提出了两种改进的脑肿瘤分割算法。(1)为提高脑肿瘤各区域的分割精度,提出了基于改进U-Net的脑肿瘤分割方法。在网络中引入改进的残差块在扩大感受野的同时解决可能产生梯度消失的问题,加快网络收敛速度;在编码路径和解码路径的长连接中引入注意力机制,使得网络可以自主学习去区分重要信息和次要信息,并增强有意义的信息,同时抑制噪声和无关信息,避免信息冗余,提高网络的表达能力;由于脑肿瘤MRI图像存在样本不平衡问题,严重影响脑肿瘤分割精度,针对这个问题设计了混合损失函数,解决样本不均衡问题,提高了脑肿瘤分割精度。在Dice系数评价指标上,在全肿瘤区域、脑肿瘤核心区域以及脑肿瘤增强区域分割精度达到了91.02%、82.27%、78.73%,与U-Net相比分别提升了2.88%、6.46%、5.58%。(2)针对U-Net和U-Net++缺乏从全尺度方面探索信息的能力,不能明确所要分割的器官以及病灶的位置和边界问题,提出了基于改进U-Net3+的脑肿瘤分割方法。在网络中加入了所提出的轻量级特征提取模块,从多尺度方向提取特征;利用残差CBAM注意力机制解决网络在将多层级特征融合过程中产生的冗余问题,使模型重点关注肿瘤区域,进一步提高肿瘤的分割准确度,在全肿瘤区域、脑肿瘤核心区域以及脑肿瘤增强区域的Dice值达到了91.85%、83.20%、80.72%。同时在减少网络层级和降低通道数方面将网络进行轻量化,降低网络复杂度,在Params和FLOPs分别为6.74M和43.79GMac,相比于U-Net3+网络在Params减少了20.29M,在FLOPs上减少了33.84GMac。
嵌入坐标注意力机制的双视图脑肿瘤MRI分割方法研究
这是一篇关于坐标注意力机制,双视图,脑肿瘤,磁共振成像,U-Net网络的论文, 主要内容为科技发展日新月异的同时,人们对健康的关注度也不断提高,脑肿瘤的高恶化率成为威胁人类健康的杀手之一,常见的诊断方法有电子计算机断层扫描、PET-CT、磁共振波谱分析、核磁共振成像(MRI)等,其中磁共振成像以其对人体更安全的非侵入的特点,相比于其他检查技术,患者接受度更高,是发现和诊断脑肿瘤的重要依据。针对脑肿瘤MRI的肿瘤区域占比小,存在类不平衡而影响网络分割精度的问题,提出一种嵌入坐标注意力机制的双视图脑肿瘤MRI分割方法。在U-Net网络的编码路径中,用卷积层代替最大池化层,减少特征信息丢失;编码路径和解码路径均加入残差模块,保持传递信息的完整性;解码路径嵌入坐标注意力机制兼顾位置信息和通道关系,以缓解类不平衡;将脑肿瘤MRI分别沿轴状视图和冠状视图方向切片,利用Softmax激活函数计算概率矩阵,把冠状视图概率矩阵转置,取二者平均值,融合生成双视图脑肿瘤MRI,充分利用脑肿瘤MRI的空间信息。在官方公布的Bra TS2018数据集上实验,本文分割结果与原U-Net比较,相似度、敏感性和精确率三个评价指标,在整体区(WT)、核心区(TC)和增强区(ET)都有明显提升;单视图融合生成双视图MRI后,三个区域的相似度指标分别为0.906、0.848和0.868,与使用相同数据集的最优方法比较,WT基本一致,TC和ET分别提高1.0%、4.9%。实验结果表明,分割效果良好,能有效提高脑肿瘤MRI分割精度,本文方法的各项评价指标均表现突出,具有较高的参考和应用价值。该论文有图19幅,表11个,参考文献60篇。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计客栈 ，原文地址：https://m.bishedaima.com/lunwen/54185.html
