基于卷积神经网络的脑肿瘤分类和分割研究.pdfVIP

摘要

基于卷积神经网络的脑肿瘤分类和分割研究

脑肿瘤是最具侵略性的疾病之一，它不仅会导致病人的预期寿命变短，而且

常常伴随着痛苦。及时准确地诊断出脑肿瘤的类型并将其切除是提高患者生存率

的关键。发现脑肿瘤最重要的工具之一是磁共振成像（MRI），而脑肿瘤的MRI图

像由于形状不规则并且分布不均匀，需要专家级的人员进行识别和分割。近年来，

随着深度学习的迅速发展，特别是计算机视觉技术的进步，深度学习成为了解决

图像任务的主要方式。基于此，本文主要研究基于卷积神经网络的脑肿瘤图像的

分类与分割。

本文针对脑肿瘤分类问题提出了一种称为全局平均池化残差网络（G-ResNet）

的模型。该模型具有以下特征：1）使用ResNet34作为基础架构用于脑肿瘤分类

任务。2）为了减少参数数量并避免过度拟合，我们使用全局平均池化而不是传

统的展开操作3）为了能够融合网络的低层和高层特征以提高模型的分类精度，

我们将不同深度的特征向量进行跳级合并。4）我们定义了一个损失函数，它是

间隔损失和交叉熵损失之和。总损失会增加错误分类的惩罚。实验结果显示，我

们的模型实现了95.00％的分类准确率。

本文针对3D脑肿瘤MRI图像完整脑肿瘤分割问题提出了自校正四路径3DU

型网络，简称3DSCF-U-Net。该分割工作有如下几方面内容。1）提出了3D自校

正卷积并应用于3DU-Net模型中。本文为了提高卷积的可视域以及卷积层的学

习能力，在使用3DU-Net模型的基础上将编码部分的卷积层修改为自校正卷积。

2）提出四路径注意力机制用于3DU-Net模型。传统的三路径注意力机制利用了

通道和空间的上下文信息，本文对其进行修改，加入了一条捕获3D图像切片间

信息的路径，根据结构特征称其为四路径注意力机制，它可以捕获宽度，高度，

通道，切片四个维度的交互信息来计算注意力权重。实验结果显示，我们提出的

分割模型3DSCF-U-Net在BraTS2019数据集上实现了Dice系数为85.1%，灵敏

度为90.7%的可比较结果。

关键词：

脑肿瘤分类与分割，ResNet，3DU-Net，三路径注意力机制，自校正卷积

Abstract

ResearchonClassificationandSegmentationofBrainTumorsBased

onConvolutionalNeuralNetwork

Braintumorisoneofthemostaggressivediseases.Itnotonlyshortenlifeof

patients,butalsoisoftenaccompaniedbypain.Accurateandtimelydiagnosisofbrain

tumortypeanditsremovalisthekeytoimprovethesurvivalrateofpatients.Oneof

themostimportanttoolsfordiscoveringbraintumorsismagneticresonanceimaging

(MRI).MRIimagesofbraintumorsareirregularlyshapedandunevenlydistributed,so

itrequireexperttoidentifyandsegmentthem.Inrecentyears,withtherapid

developmentofdeeplearning,especiallytheadvancementofcomputervision

technology,deeplearninghasbecomethemainwaytosolveimagetasks.Therefore,

thisarticlemainlystudiestheclassificationandsegmentation