摘要
脑胶质瘤是最常见的原发性颅内肿瘤，治疗难度大、致死率高，因此早期的诊断和治疗是提高患者存活率的关键。脑胶质瘤分割是从磁共振成像（MagneticResonanceImaging,MRI）中对多个脑胶质瘤区域进行精确分割的过程，这对于诊断和治疗脑胶质瘤非常重要。然而，手动分割MRI中的脑胶质瘤是一项非常耗时的任务，且其准确性依赖于医生的专业技能和临床经验。因此，提出一种高效、准确的脑胶质瘤自动分割方法对于辅助医生临床诊断至关重要。 近年来，基于卷积神经网络的深度学习算法在医学图像分析领域表现出先进的性能，为脑胶质瘤图像自动分割提供了新的方向。为了高效且精确地从MRI中分割脑胶质瘤，本文提出了两种基于注意力特征融合卷积神经网络的分割方法，并将两种不同的模型用于自动分割脑胶质瘤中的整个肿瘤（WholeTumor，WT）、肿瘤核心（TumorCore，TC）和增强肿瘤（EnhancingTumor，ET），具体研究内容如下： （1）由于脑胶质瘤与周围非病变组织边界不清晰，不同子区域所占总体区域的位置和比例不同，使得从MRI影像中自动分割脑胶质瘤子区域，成为一项具有挑战性的任务。为了解决这一挑战，本文提出了一种基于轴注意力和深度监督的卷积神经网络来自动地从MRI影像中分割脑胶质瘤子区域。轴注意力模块（AxialAttentionModule，AAM）通过在特征表示上沿三个不同的轴独立地执行自注意力机制，来捕获特征图中局部-全局特征表示的远程依赖性，增强了模型对图像中远程依赖关系的建模能力，从而改进了模型在模糊边界上识别肿瘤区域和非病变区域的能力，提升了脑胶质瘤子区域自动分割准确性。深度监督（DeepSupervision，DS）机制借助解码器端不同层级的损失函数来指导特征图分辨率恢复过程中的特征提取，不断优化早期层提取的有效特征表示，从而提升模型的特征表达能力。此外，本文还引入了混合损失函数来强调病变区域，引导模型更密切地关注肿瘤区域，旨在克服识别不同大小肿瘤的问题，从而抑制数据集类不平衡的影响。最后，本文所提出的网络模型在BraTS2019和2021数据集分别进行了实验，并且在BraTS2019数据集的DSC值为0.911、0.838和0.777；在BraTS2021数据集的DSC值为0.922、0.861和0.830。实验结果证明本文所提出的模型可以在一定程度上实现脑胶质瘤的精确自动分割。 （2）对于多模态MRI脑胶质瘤图像分割，传统的方法通过早期融合不同模态作为网络输入，但不同的模态共享相同的权重并进行相同的处理，使得无法充分提取每个模态包含的不同特征。为解决这一问题，本文进一步提出了一种基于多编码器框架的残差注意力卷积神经网络，用于从多模态MRI图像中自动分割脑胶质瘤。多编码器框架基于每个单独的MRI模态提取特定的特征表示，从而实现从多模态MRI影像中充分提取不同模态提供的特征表示。残差注意力（ResidualAttention，RA）通过在每个单独的MRI模态上分配不同的权重以关注肿瘤区域，从而减少肿瘤区域与正常组织中冗余信息的干扰，提升模型对肿瘤的识别率。此外，多模态自适应特征融合（Multi-modalityAdaptiveFeatureFusion，MAFF）模块通过自适应地对不同模态分配不同权重实现不同模态特征表示的融合，形成更丰富和具有表现力的融合特征表示，提升多模态特征的利用率。最后，本文所提出的网络模型在BraTS2018数据集上进行了实验，在整个肿瘤、肿瘤核心和增强肿瘤三个区域的DSC值分别为0.908、0.840和0.780，实现了较为准确的多模态MRI脑胶质瘤分割。
NETL