基于通道分组机制的脑部肿瘤图像分割方法研究.pdf

摘要

基于通道分组机制的脑部肿瘤图像分割方法研究

脑肿瘤是如今生活中常见的脑部疾病，由脑细胞异常增殖导致，轻则恶心

呕吐，严重时会危及生命。随着科技的发展，人类预期寿命逐渐延长，患脑肿

瘤的几率也随之增加。大脑是人体最复杂的结构之一，且脑肿瘤早期不易被发

现，因此准确的找到肿瘤的位置而不影响其他结构极为重要。大量的CT对医生

来说也是一种负担，因此借助计算机把重要的器官、肿瘤病变部分从图像中

取出来就非常重要。深度学习在医学方面的应用越来越普遍，这让半自动化的

分割出目标区域成为可能。在此前下，本文研究脑肿瘤分割算法，出了基

于U-Net的通道分组的脑肿瘤图像分割方法。

脑肿瘤图像有多种的序列，因此对其分割不仅需要三维的空间考量，还需

要多模态的联合学习。为高模型计算效率及更关注重点分割区域，本文方法

对初始数据集进行了裁剪和数据增强。在基础网络的选择上，为了取三维切

片间的联系，使用3D模型分割。U-Net在医疗图像分割领域一直是佼佼者，因

其跳跃连接的存在，融合浅层和深层信息，扩充了上采样阶段的信息容量，因

此选用其作为基础模型。本文的创新集中在两个方面：一是降低模型计算量：

在取信息的编码阶段加入了通道分组机制，显著降低了模型的计算量，实现

轻量化改进，方便信息的传递与学习；二是高分割精度：为了实现精确分

割，本文添加了CBAM注意力机制，忽略掉与脑肿瘤分割无关的信息，在训练中

同时关注通道和空间信息。

本文对脑肿瘤疾病和图像分割方法进行了深入的研究，出了应用CBAM注

意力的通道机制。使用多路复用器网络降低模型复杂度，用膨胀卷积代替普通卷

积扩大感受野。添加CBAM注意力机制，更好的取边界信息。本文基于公开的

脑肿瘤数据集，进行了消融实验，验证了加入膨胀通道分组模块和CBAM注意力

的可行性，并且CBAM模块对于膨胀通道分组模块的高有着显著效果。在肿瘤

I

核心上有着3%的升，在增强肿瘤和肿瘤整体上也分别有着1.4%和1.2%的升。

同时为了公平客观的比较，横向实验比较了同一领域其余模型与本文模型的差别，

在三个分割目标的平均值上也体现了本文模型的优势，平均来也看增长了1.9个

百分点，进一步验证了本文出的方法的有效性。本文还进行了分割效果可视化，

直观的感受模型预测能力。

关键词：

通道分组，图像分割，注意力机制，脑肿瘤。

II

Abstract

ResearchonBrainTumorImageSegmentationMethodBasedon

ChannelGroupingMechanism

Braintumors,prevalentneurologicaldisorderscausedbyabnormal

proliferationofbraincells,rangeinseverityfrominducingnausea

andvomitingtoposinglife-threateningrisks.Astechnological

advancementsextendhumanlifeexpectancy,theincidence