提出了一种基于深度学习的3D脑肿瘤核磁共振图像(MRI)自动分割方法。为了降低分割难度,采用三级级联网络的策略分割脑肿瘤的三个子区域;为了进一步提高三维分割的精度,采用帧间卷积和帧内卷积,加入额外的多层特征融合机制和空洞卷积;为了进一步细化分割结果,将条件随机场构建的循环神经网络整合到网络结构中。在模型训练中结合了两种损失函数,进一步提高了准确率。该方法在BraTS 2018 数据集上进行验证,对于脑肿瘤整体、肿瘤核以及增强肿瘤,其分割结果的Dice系数分别达到了0.9093、0.8254 和 0.7855,Hausdorff距离达到3.8188、7.8487和4.3264,优于大多数脑肿瘤图像分割方法。

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。