河北师范大学 新闻中心, 河北 石家庄 050024
为了提高磁共振图像分割的准确度, 提出一种基于残差网络和小波变换的磁共振图像分割方法。采用离散小波变换对核共振图像的不同序列进行融合, 使融合图像包含更加丰富的纹理信息和结构信息; 提出了包含通道注意力模块和空间注意力模块的残差网络模型, 使网络重点关注于目标分割区域, 并加入残差块来缓解深度神经网络的梯度消失问题。最终在公开的Brain Tumor Segmentation Challenge 2015数据集上完成了验证实验, 结果显示该方法在对完整肿瘤区域、核心肿瘤区域及增强肿瘤区域的平均 Dice 相似性系数均取得了较好的效果。
医学图像 核共振图像 图像分割 脑肿瘤检测 残差网络 离散小波变换 medical image magnetic resonance image image segmentation brain tumor detection residual network discrete wavelet transformation
1 西安工业大学 计算机科学与工程学院, 西安 710021
2 常州大学 信息科学与工程学院, 江苏 常州 213164
3 西北大学 附属医院/西安市第三医院 国际医疗部, 西安 710000
针对目前传统方法脑肿瘤检测准确率低的问题, 提出一种基于深度学习的三维脑肿瘤检测方法.首先将不同模态的脑肿瘤磁共振成像影像进行融合, 获取不同模态下的脑肿瘤病灶三维空间特征; 然后在卷积层和池化层之间增加实列归一化层, 提高网络的收敛速度, 缓解过拟合的问题; 并对损失函数进行改进, 采用加权损失函数加强对病灶区域的特征学习; 最后结合后处理方法解决假阳脑肿瘤病灶多的问题.实验结果表明:提出的脑肿瘤检测方法可有效进行肿瘤病灶定位; 相关性系数、敏感性和特异性三种评价指标分别达到了0.926 7、0.928 1和0.997 7, 与二维检测网络相比, 提高了4.6%、3.96%和0.04%, 较初始的单模态脑肿瘤检测方法提升了13.2%、10.42%和0.12%.
磁共振 脑肿瘤检测 多模态融合 实列归一化 加权损失函数 Magnetic resonance Brain tumor detection Multi modal fusion Instance normalization Weighted loss function