基于改进UNet的脑胶质瘤MR图像分割方法研究.pdfVIP

基于改进UNet的脑胶质瘤MR图像分割方法研究

摘要

近年来，基于深度神经网络的脑胶质瘤图像分割方法在对病灶的发展观察和

医生的辅助治疗方面取得了显著进步。然而，训练数据的不足容易导致分割网络

的过拟合，特别是对于那些边缘复杂、区域分散且较小的病灶区域。从而使得网

络难以稳定地进行训练，从而限制了深度神经网络的拟合能力和最终的分割效果。

因此，本文以数据增强的脑胶质瘤核磁共振成像（MagneticResonanceImaging,

MRI）为研究对象，提出了两种基于UNet的改进型算法，用于精准分割多模态的

脑胶质瘤MR图像。本文的主要研究工作如下：

（1）为了解决脑胶质瘤MR图像分割中出现误识别及和不确定性等问题，提

出一种改进UNet的STDsUNet（SwinTransformerDenseUNet）模型，将改进后的

SwinTransformer算法与密集模块相结合，对脑胶质瘤图像实现精准分割。首先，

通过数据预处理对待分割图像进行初始分割和标准化，利用非零像素区域的平均

值和标准差来提高图像质量。改进的SwinTransformer捕捉到图像的全局特征，

有助于保留图像细节。密集模块增加网络的参数共享，使得病灶分割更加准确。

实验结果表明，STDsUNet在全肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）

区域的Dice系数分别达到了87.36%、81.91%和76.53%。

（2）为了解决脑胶质瘤图像分割中肿瘤形态复杂以及肿瘤组织边缘分割模

糊的问题，本文针对肿瘤数据的特点，提出一种基于级联网络的脑胶质瘤图像分

割模型ST-CE-UNet（SwinTransformerofChannelEnhancementUNet）。首先，将

一级网络用残差模块对STDsUNet方法进行改进，把密集编码模块替换成残差编

码模块，以提高模型对分割病灶的定位能力。其次，引入了一种改进的通道增强

特征金字塔模块CE-FPN（ContextEnhancementFeaturePyramidNetwork）。该模块

通过加权融合特征通道和亚像素卷积，提取浅层特征中的病灶细节信息和区域边

缘信息，从而提高病灶精度并缓解边缘模糊问题。实验结果表明，ST-CE-UNet在

全肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）区域的Dice系数分别为

88.71%、85.93%和80.64%，显著优于传统的UNet模型。

关键词：脑胶质瘤分割，UNet，Transformer，亚像素卷积，残差机制

ResearchonGliomaMRImageSegmentationMethodBased

onImprovedUNet

ABSTRACT

Inrecentyears,gliomaimagesegmentationmethodsbasedondeepneuralnetworks

havemadesignificantprogressintheobservationofthedevelopmentofthelesionand

theadjuvanttreatmentofdoctors.However,thelackoftrainingdataeasilyleadstoover-

fittingofthesegmentationnetwork,especiallyforthoselesionregionswithcomplex

edges,scatteredregionsandsmallsize.Asaresult,thenetworkisdifficulttotrainstably,

whichlimitsthefittingabilityofthedeepneuralnetworkandthefinalsegmentationeffect.

Therefore,thisthesis