针对深度学习算法在脑肿瘤分割中存在标记数据不足的问题,提出了一种基于条件生成对抗网络(CGAN)的低级别胶质瘤(LGG)磁共振(MR)图像自动分割方法。首先,使用原始数据集训练CGAN并生成LGG图像以扩充原始数据集;然后,利用生成图像预训练分割网络;最后,在预训练模型的基础上训练分割模型。实验结果表明,相比常规数据扩充方法,本方法的Dice系数提高了4.39%,Jaccard指数提高了4.42%,为基于MR图像的LGG分割计算机铺助诊断系统提供了参考。

针对全卷积神经网络在图像分割中信息遗失、依赖固定权重导致分割精度低的问题,对U-Net结构进行改进并用于脑肿瘤磁共振(MR)图像的分割。在U-Net收缩路径上用注意力模块,将权重分布到不同尺寸的卷积层,有助于图像空间信息和上下文信息的利用;用残差紧密模块代替原有卷积层,能够提取更多的特征并促进网络收敛。基于BraTS(The Brain Tumor Image Segmentation Challenge)提供的脑肿瘤MR图像数据库,对提出的新模型进行验证,用Dice分数评估分割效果,获得肿瘤整体区域0.9056分、肿瘤核心区域0.7982分和肿瘤增强区域0.7861分的精度。由此表明本文提出的U-Net结构可提高MR图像分割的精度和效率。