摘要
脑肿瘤是常见的恶性肿瘤之一，脑肿瘤的早期诊断对于疾病预防和后续治疗起着至关重要的作用。磁共振成像(MagneticResonanceImaging,MRI)是最常见的检测和监测肿瘤的方法，能够有效的提供有关脑肿瘤的形状，大小和位置信息，有利于提高医生的诊断水平。然而，脑磁共振成像图像存在噪声干扰和对比度低的成像质量问题。同时，脑肿瘤位置不固定、大小和形状各异、肿瘤边界较模糊，这些都给脑肿瘤分割带来挑战。为进一步提升MRI的脑肿瘤分割精度和分割细节，论文对采用深度学习技术分别对2D分割模型和3D分割模型展开研究，两种模型的构建是为了分别满足MRI薄扫(切片的采样间隔稀疏)和MRI厚扫(切片的采样间隔密集)两种情况下脑肿瘤分割。论文的具体工作如下: (1)研究基于Unet的2DMRI脑肿瘤分割模型的设计以及实验验证:针对现有2D模型分割精度不高、边缘分割不精确、易出现假阳性的问题，提出一种基于Transformer和可变形卷积的2DU-Net改进模型。模型将原始U-Net框架的标准卷积替换为残差模块，以防止模型训练过程中出现梯度退化;其次，通过在瓶颈层加入基于Transformer的多重自注意力模块来提取局部特征以及全局上下文信息，以更好地挖掘像素间的相关性;最后，采用可变性的卷积来增强模型对形状感知的敏感性，提升肿瘤边缘特征的提取能力。实验结果表明，在Dice系数，Hausdorff,Sensitivity,PPV四个指标上，均值为:85.53％,2.2528,85.54％,88.01％,证明所提模型能够有效提升脑肿瘤分割的精度，同时实现对脑肿瘤边缘区域准确、快速的分割。 (2)研究基于Unet的3DMRI脑肿瘤分割模型的设计以及实验验证:针对当下3D模型需要较高的计算资源、模型训练时间过长和分割性能不够优秀等问题。提出了一种基于3DUnet框架的多尺度轻量级分割模型。首先，在网络两侧设计多尺度输入(Multi-ScaleInput,MSI)和多尺度输出(Multi-ScaleOut,MSO)结构，通过在每一个卷积层融合具有不同感受野的卷积路径，使网络具有多尺度的特征提取能力。其次,为了减少模型的参数量，将模型中传统的卷积操作替换为ShuffleGhost,以减少模型的训练时间。此外，在跳跃连接处，加入了全局注意力机制(GlobalAttentionMechanism,GAM),让模型能够同时考虑输入特征通道和空间维度上的特征关系，从而更好地对全局特征进行加权。最后，在解码器阶段将局部、全局以及多尺度特征融合，综合利用图像的不同特征信息，从而提高模型的性能。在预处理上，为了模型能够接受大尺度3D图片，所以需要对图片进行分块处理，相对于传统的分块方法，论文提出了一种新的切块方法，用来解决传统分块方法分块之间信息不连续的问题。实验结果表明，模型在加入了多尺度输入和多尺度输出结构的情况下，参数量并没有增加,且没有带来过多的计算负担。同时，在Dice系数，Hausdorff,Sensitivity,PPV四个指标上均值为:88.92％、1.9691、90.99％和95.52％,证明模型的分割效率能够得到有效提升。
NETL