基于卷积神经网络的脑肿瘤分割与分类技术的研究与应用.pdf

摘要

摘要

脑肿瘤对身体的危害极大，是导致死亡的主要癌症之一。在临床检测中，磁

共振成像技术已成为检测脑肿瘤的常用方法，它通过多种成像方式获取多模态的

磁共振影像，在医学领域扮演着重要的角色。近年来，随着计算机技术在图像处

理领域的迅猛发展，深度学习常常与医学研究领域相结合，利用图像处理技术对

脑肿瘤图像进行分割和分类，以协助医务人员进行肿瘤判断。

本文主要研究基于卷积神经网络（ConvolutionalNeuralNetworks，CNN）技

术的脑肿瘤自动分割与分类。具体情况如下：

1.脑肿瘤分割方面，针对卷积神经网络容易出现特征提取不够充分的情况，

提出了一种融合双重注意力机制的U型网络。首先，在U-Net网络中引入残差

模块，将浅层信息传入到后面的网络层，以解决浅层特征在训练中丢失的问题，

并使用动态修正线性单元（DynamicRectifiedLinearUnit，Dy-ReLU）激活函数

替换残差块中的修正线性单元（RectifiedLinearUnit，ReLU）激活函数，利用输

入信息动态调整激活函数，以提高模型的特征表达能力；然后，再加入CBAM

机制，使网络更加关注某些特征层和空间区域，抑制非病变区域的特征，从而提

高肿瘤分割的准确性；同时，在训练过程中采用交叉熵损失和广义骰子损失之和

作为混合损失函数，可以在一定程度上缓解类不平衡问题。

2.脑肿瘤分类方面，针对深度网络容易出现信息丢失的问题，提出了一种

基于SE-Net的脑肿瘤分类方法。首先，在批量归一化和特征融合后，使用

Swish激活函数代替ReLU激活函数，使其在深度网络中具有更好地表现能力，

以提高模型的准确性；其次，在第一层和第二层卷积后分别添加ECA和改进的

BAM注意力模块，从空间和通道两个方向提取特征，以充分聚焦目标特征；最

后，在SE注意力模块中加入全局最大池化，利用双通道池化层提取有效特征，

抑制无效特征，提高模型的表达能力。此外，为了验证改进模块在网络模型上的

有效性，进行了消融实验和对比实验，并利用梯度加权类激活映射法生成的热力

图对模型的注意力模块进行解释，充分证明改进模型的可行性。

3.为帮助医务人员更好地针对患者进行病情诊断，开发了基于脑肿瘤分类

和分割模型的系统，以方便医务人员对脑肿瘤患者进行更好地治疗。

关键词：深度学习，脑肿瘤分割，脑肿瘤分类，注意力机制

I

ABSTRACT

ABSTRACT

Braintumorsposeasignificantthreattothebodyandareoneoftheleading

causesofcancer-relateddeaths.Magneticresonanceimaging(MRI)isacommonly

usedclinicalmethodfordetectingbraintumors,whichprovidesmultimodalimages

throughvariousimagingtechniquesandplaysagreatroleinthemedicalfield.In

recentyears,withtherapiddevelopmentofcomputertechnologyinimageprocessing,

deeplearningisoftencombinedwithmedicalresearchtouseimageprocessing

technologyforsegmentationandclassificationofbraintumorimagestoassistmedical

staffi