三维脑胶质瘤磁共振成像肿瘤形状各异、边缘模糊, 目前大多数基于2D卷积神经网络的分割方法不能很好的分割三维图像。为了能够准确分割出三维图像中的肿瘤部分, 提出一种融合多尺度特征信息的3D卷积神经网络脑肿瘤图像分割方法。利用并行的3D空洞卷积提取特征信息, 将不同感受野的信息融合。将Dice损失和BCE损失结合, 形成一种新的损失函数并配合恒等映射, 进一步提高分割精度。在BraTs2020数据集上对模型进行验证, 结果表明, 该模型分割的全肿瘤区、核心区和增强区的Dice系数分别为89.1%、83.9%和82.6%。在LGG脑部肿瘤图像数据集上对模型进行验证, 结果表明, Dice系数达到了93.3%。所提出的分割方法不仅能够精确的分割三维脑胶质瘤图像, 而且同样适用于分割二维脑胶质瘤图像。

现有的深度学习方法倾向于将磁共振图像重建与分割作为两个单独的任务来处理，而没有考虑到两个任务之间的相关性。如果简单地对重建网络与分割网络进行拼接训练，则可能会由于任务之间的优化难度差异而影响重建与分割的最终效果。基于改进后的教师督导网络训练策略，开发了一种磁共振图像联合重建与分割的多任务深度学习方法。新设计的教师督导策略迭代地以中间重建输出和全采样数据来指导多任务网络训练，缓解误差积累。在一个公开数据集和一个内部数据集上对所提方法进行评估，并与6种现有方法进行了比较。实验结果表明，与对比方法相比，所提方法在实现重建与分割协同优化的同时提升了重建图像质量和分割精度。

准确可靠的脑胶质瘤分割是脑胶质瘤诊断、治疗方案制定和治疗效果评价的重要前提。为了有效针对脑胶质瘤MRI的特性和基于CNNs的脑胶质瘤分割方法的不足, 提出了一种融合三个密集连接型2D-CNNs分割结果的方法。将三维多模态MRI数据沿轴状面、冠状面和矢状面切片化, 并在预处理后的切片上按比例截取33×33大小的图像块, 得到三个视图的训练集; 将三个训练集分别送入到密集连接型2D-CNNs模型中进行训练, 得到三个分割模型; 然后, 将测试病人的各视图图像块依次输入到训练好的分割模型, 得到脑胶质瘤三个视图的粗分割结果; 将三个视图的粗分割结果进行融合处理和后处理, 得到脑胶质瘤的最终分割结果, 并具体划分为水肿、增强和坏死/非增强三种区域。本研究包含了BraTS2018和BraTS2013的数据集并利用Dice系数、阳性预测值、灵敏度三个指标对分割结果进行评价。实验结果表明, 所提出的分割方法不仅能够精确的分割脑胶质瘤, 而且可以利用多个2D-CNNs实现脑胶质瘤的三维分割。

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。

脑肿瘤图像自动分割的难点在于肿瘤形态各异,且类别不平衡情况比较严重,常规的卷积神经网络难以预测出高精度分割图像。针对以上问题,在原始3D-Unet的基础上提出一种改进模型,以混合膨胀卷积模块代替常规卷积模块,指数级地增大神经元的感受野,同时减小网络深度,避免上采样时无法恢复小目标的情况。同时以混合损失函数代替原来的Dice损失函数,加强稀疏类分类错误时对模型的惩罚,迫使模型更好地学习分类错误的样本。实验结果表明,混合膨胀卷积模块与混合损失函数能分别提高整个肿瘤区域和肿瘤核心区域的预测精度,提出的3D-HDC-Unet模型改善了脑肿瘤自动分割的多项性能参数。

提出了一种基于级联的2.5维(2.5D)卷积神经网络。将该任务拆分为脑肿瘤整体分割、肿瘤核分割、增强肿瘤分割三个子任务,并将三个结果合并生成最终结果。在每个子任务中,对三维(3D)图像进行轴向、矢向和冠向的裁取,生成2.5D图像;将2.5D图像输入至所提2.5D V-Net中进行训练;将2.5D分割结果拼接成3D结果,生成不同子任务的分割结果图。结果表明,所提方法对肿瘤整体、肿瘤核和增强肿瘤分割的平均dice值分别可达0.9071、0.8542和0.8140,基本满足临床需要。

医学图像处理是图像处理领域的重点和难点,细节丰富的清晰图像有助于协助专家和计算机辅助诊断。针对磁共振医学图像的特点,提出一种结合小波特征和聚类字典的单帧超分辨率重建方法。在训练阶段,首先分别提取低分辨率图像的多尺度小波特征和高分辨率图像的高频特征,将高低分辨率特征图重叠分块,然后利用K均值算法将特征块聚类,使用K奇异值分解分别训练每一类特征块的高低分辨率字典,形成映射关系;在重建阶段,提取低分辨率图像特征块并分类,使用该类字典原子进行重建。最后,引入迭代反投影算法进行后处理,以进一步提高重建质量。实验结果显示,该算法在内部、外部数据集上,视觉和量化指标都有较好表现,并优于同类算法。

杜兴氏肌营养不良(DMD)是一种严重的儿童腿部神经肌肉罕见病。传统的诊断和检测方案一般为有创手段, 会带给患儿极大的痛苦。基于受试者的磁共振图像(MRI), 采用计算机辅助检测手段探索了有效的无创检测方法。实验分别选用sym4和db4两种小波基函数, 对患儿组和健康对照组的MRI进行三种尺度的小波分解, 从所得的分解图像中提取12个纹理特征参数, 并利用人工神经网络(ANN)算法对图像参数进行分类识别。结果显示: 在受试者的两类MRI加权图像(T1和T2)中, T1图像能更好地区分患儿与健康儿童; 利用db4函数对图像进行小波分解, 其效果略优于sym4函数, 且在三种小波分解尺度中, 以二层分解最优; 利用ANN算法对图像进行分类识别, 其灵敏度、特异度和准确率分别高达98.5%、97.3%和97.9%。该处理方法有望为临床提供客观有效的辅助诊断手段, 可作为DMD疾病无创检测的尝试探索。

为了提高大脑磁共振图像的分割精度, 提出了一种新的图像分割算法。首先, 分析了常用于大脑磁共振图像分割的高斯混合模型和主动轮廓模型的优缺点, 联合高斯混合模型的概率密度函数和主动轮廓模型的能量函数构造了一个新的能量函数。然后, 利用遗传算法和最大期望算法获取概率密度函数的参数值。最后, 利用水平集方法和梯度下降流法, 对获得的能量函数进行最小化, 从而得到最终的分割结果。与传统方法相比, 本文算法对脑组织中的白质和灰质的分割精度分别提高了6.73%和14.07%。该算法利用像素点的区域信息和概率值驱动主动轮廓曲线的演化, 能有效区分具有相近灰度值的不同区域, 从而提高了大脑磁共振图像的分割精度。