摘要
脑胶质瘤是一种常见的原发性颅内肿瘤，主要由大脑和脊髓胶质细胞癌变而成，其癌变速度快，致残率、致死率高，严重影响患者生命健康和生活质量。目前，磁共振成像（MRI）技术在脑部组织成像方面具有非侵入性、高分辨率、三维成像等优势，已成为临床医生对脑部疾病进行早期诊断最佳选择。二维磁共振图像和三维磁共振图像在脑胶质瘤诊断方面都有着广泛的应用，相较而言，二维MRI图像，无法准确获悉脑胶质瘤病灶的形状，大小和位置结构等主要信息，三维MRI图像则弥补了二维图像的不足，可直观展示肿瘤病灶更多信息。而获取MRI影像中脑胶质瘤的大小、形态和脑部空间定位信息是规划诊疗方案的重要步骤，因此，MRI图像中胶质瘤的精准分割成为降低脑部手术风险、提高疾病治疗成功率的关键。 脑胶质瘤不同于脑部正常组织，其个体之间的大小、纹理、形状差异性较大，依靠医生对MRI影像中的肿瘤区域进行人工标注，效率低、耗时费力，尤其对于三维图像，分割难度大幅增加，分割精度也难以保证。传统计算机图像分割方法诸如阈值分割、分水岭分割、区域分割精度有限，而且对原始MRI重建图像质量也有较高的要求。近些年来，基于神经网络的深度学习方法在图像分割领域展现出较好的分割效果，特别是以U-Net网络为基础的卷积神经网络将医学图像的分割效果提升到了较高水平。在三维图像分割领域，以3D U-Net网络为代表的图像分割网络展现了较好的效果，但是使用3D U-Net分割三维胶质瘤图像还存在分割精度不高，胶质瘤区域边界模糊，难以判定边界等问题。 针对上述问题，本文在3D U-Net网络结构的基础上，提出了两种基于3D U-Net的改进型网络结构: （1）针对3D U-Net提取特征信息不够丰富，存在较多的冗余信息等问题，本文研究了一种基于双卷积层的3D U-Net网络模型，通过双卷积层多层次的特征提取，充分利用3D MRI胶质瘤图像特征信息，并保留了 3D U-Net自身多尺度信息提取的特性，在全肿瘤、肿瘤核心和增强肿瘤三方面的分割精度上提升了 1～3个百分点。 （2）针对3D U-Net在肿瘤核心和增强肿瘤区域分割精度不高，改进后的双卷积层3D U-Net网络模型提升效果依然有限的问题，本文研究了一种基于全尺度跳跃连接的改进3D U-Net网络模型，通过将低层次的细节与高层次的语义充分融合，用于提升多层嵌套的胶质瘤MRI图像的分割精度，特别是对于内部肿瘤核心区域提升效果更为明显，改进后的全尺度跳跃连接网络在肿瘤核心和增强肿瘤分割精度方面，较3D U-Net分别提升了 7.7和7.2个百分点。 为了验证两种网络模型的分割效果，使用BraTs2020作为数据集，采用Dice相似系数和Jaccard相似系数作为评价指标，将实际分割结果与标签理论结果的重合程度进行量化评估。利用Dice损失函数和基于对数几率估计的二值交叉熵相结合作为损失函数，在追求分割精度的同时，加快模型收敛，避免梯度消失。采用参数量大小反映网络的复杂程度，并将训练时长进行比较，以此衡量各个网络的分割效率。通过不断最小化损失函数来训练模型，并将训练好的网络模型用于三维MRI病例图像进行分割测试，分割结果与标签分割结果相近，从而证明了两种网络模型在分割精度提升的有效性。
NETL