基于深度学习的脑部MR图像肿瘤分割方法研究.pdf

哈尔滨理工大学工学硕士学位论文

基于深度学习的脑部MR图像肿瘤分割方法研究

摘要

脑肿瘤是一种严重危害人类健康的神经系统疾病，脑肿瘤的诊断和治疗需要

准确地划分肿瘤的位置、大小、形状和类型，以便制定合适的手术方案和评估预后。

然而，脑肿瘤的分割是一项具有挑战性的任务，因为脑肿瘤的形态多样，边界模糊，

与正常组织相互渗透，而且不同的成像模态对肿瘤的显示效果也不尽相同，传统的

分割方法对于该任务难以达到理想的效果，而使用深度学习技术进行脑肿瘤分割

任务有着更好的效果同时也有着更好的发展前景。

本文首先通过对U-Net框架结构进行改进，提出了一种轻量化模型，该模型通

过引入残差结构以及注意力机制对网络进行改进，通过提高网络深度进而提高网

络特征提取能力的方式缓解训练样本少的问题，最终实现了分割精度的提升，然后

在经过分析现有的其他深度学习模型后发现，现有模型对肿瘤核心区域分割精度

不佳，对不同体积的肿瘤分割精度波动较大的问题。为了解决上述问题本文在U-

Net结构中引入多尺度残差模块，最终提出了多尺度的深度残差卷积神经网络

（mResU-Net），该模型为自动3D脑肿瘤分割的端到端框架，其利用U-Net结构

中的跳跃连接和残差块来保持局部上下文响应，利用残差块来提取低级和高级特

征将有助于克服训练过程期间梯度消失的问题，并综合使用多尺度卷积核来提高

模型对不同尺寸脑肿瘤的分割精度，同时本文还在网络中整合了通道注意力模块

以此来进一步提升网络精度。

本文提出的mResU-Net模型在BraTS2021数据集上肿瘤核心（TC）、整个肿

瘤（WT）和增强肿瘤（ET）的平均dice评分分别为0.9289、0.9277和0.8965。将

该方法与现有技术的分割结果进行比较，结果表明mResU-Net能够显著提高脑肿

瘤子区域的分割性能。

关键词脑肿瘤分割；多尺度残差；U-Net网络；多模态核磁图像；

-I-

哈尔滨理工大学工学硕士学位论文

ResearchonTumorSegmentationMethodofBrain

MRImagesBasedonDeepLearning

Abstract

Braintumorisaneurologicaldiseasethatseriouslyendangershumanhealth.The

diagnosisandtreatmentofbraintumorsrequireaccurateclassificationofthelocation,

size,shapeandtypeofthetumorinordertoformulateappropriatesurgicalplansand

evaluateprognosis.However,segmentationofbraintumorsisachallengingtaskbecause

braintumorshavediverseshapes,blurredboundaries,andinterpenetrationwithnormal

tissues,anddifferentimagingmodalitieshavedifferentdisplayeffectsontumors.

TraditionalsegmentationThismethodisdifficulttoachieveidealresultsforthistask,but

theuseofdeeplearningtechnologyforbraintumorsegmentationtaskshasbetterresults

andbetterdevelopmentprospects.

Thispaperfirstproposesali