摘要
脑肿瘤被定义为异常或不受控制的细胞。根据世界卫生组织（WHO)公布的癌症报告，脑癌占人类癌症病例的比例不到2%，但是一旦发现患有脑肿瘤将会严重威胁患者的生命。脑肿瘤可分为癌性（恶性）或非癌性（良性）。良性肿瘤与恶性肿瘤的不同之处在于良性肿瘤不会扩散到其他组织，可以通过手术切除。放射科医生通过磁共振成像（MagneticResonanceImaging,MRI)和计算机断层扫描（CT)扫描图像对肿瘤等疾病进行分类。但是，专家手动分割脑肿瘤，费时费力且易出现细小的误差。并且分割技术也表现出了患者之间的可变性，很难重现结果。因此，现代医疗领域使用计算机方法来辅助脑肿瘤分割发挥着越来越重要的作用。 近年来深度卷积神经网络已经被广泛地应用到了医学图像领域，并取得了良好的分割结果。在脑肿瘤分割任务中，残差U-Net网络尽管采用了残差模块来缓解网络梯度消失的问题，但是它不能提取全局特征，并且跳过连接将编码器中的低层特征直接与相对应的解码器特征拼接，实现特征融合。但是这些低层的特征信息包含了很多的冗余信息。其次卷积具有局部性特征，所以基于卷积的方法不能够很好地建模长距离的依赖关系。因此，针对以上问题，我们分别采用扩张特征金字塔模型、CBAM注意力机制以及Transformer自注意力机制来解决。扩张特征金字塔模型可以提取不同尺寸的特征图；CBAM双注意力机制有效地提高对分割任务有用信息的利用，抑制无用信息；Transformer是在自注意力机制的基础上提出的，完全消除了卷积，可以很好地处理全局信息。本文所做的工作有： ⑴本文采用医学图像计算和计算机辅助干预（MICCAI)多模式脑肿瘤分割挑战(BraTS)的脑肿瘤数据集作为实验的数据集，并且受注意力机制的启发提出一种新型三维的MRI脑肿瘤图像分割方法，该方法是基于双注意力机制CBAM模块和扩张特征金字塔模块改进的残差U-Net，即RDAU-Net网络模型。由于多尺度特征的重要性，本文中增加了DA模块来扩大感受野，获得不同大小的图像信息。在每个跳过连接层后插入一个CBAM块，以改善通道信息和空间信息的提取，减少低层次特征的冗余信息。并在跳过连接后插入三维CBAM块来改进残差U-Net。对于实验结果，本文采用DSC(DiceSimilarityCoefficient)、Hausdorff距离、敏感度以及特异性指标进行评价，并且取得了优越的指标得分。并且通过与其他的最先进的方法进行比较，本文提出的方法取得了最好的结果，证明本文方法可以有效地提高脑肿瘤的分割水平。 (2)本文还提出了一种用于MRI脑肿瘤分割的新方法，该方法使用Transformer结构，双注意力机制CBAM对残差U-Net网络进行改进。实验采用2018年和2019年的BraTS脑肿瘤数据集作为实验的数据集。本文采用DSC、Hausdorff距离、敏感度以及特异性指标对全部肿瘤区域（WholeTumor,WT)、增强肿瘤核心（EnchanceTumor,ET)和肿瘤核心区域（TumorCore，TC)进行实验结果评价，使用2019年的多模态脑肿瘤分割挑战赛数据集验证所提出的方法，在验证集上不同分割区域的评估结果显示，其Dice得分分别为：WT上得分0.9101、TC上得分0.9052和ET上得分0.8282，Hasdorff距离得分分别为：WT上得分5.6428、TC上得分6.0206和ET上得分2.9892，特异性得分分别为：WT上得分0.99、TC上得分0.9972和ET上得分0.9948，敏感度得分分别为：WT上得分0.9252、TC上得分0.9004和ET上得分0.8686。综合来看，本文提出的方法取得了优越的指标得分。并且通过与RDAU-Net方法进行比较，该方法在WT上的分割取得了很好的结果，证明本文方法可以有效地提高脑肿瘤的分割水平。
NETL