摘要
脑肿瘤是一种常见的脑部恶性疾病，可以发生在脑部的任何位置，严重威胁着患者的生命健康。然而受限于现有医疗技术，尽早发现脑肿瘤并尽快进行干预治疗是最大程度降低脑瘤所带来影响的唯一途径。核磁共振成像(MRI)作为一种无创、低成本的医学影像技术，已经成为脑肿瘤诊断的重要辅助工具。因此，研究基于MRI的脑肿瘤分割算法具有临床意义和应用价值。现有2D脑肿瘤分割方法较少利用多尺度空间信息，使得对脑肿瘤边界的分割不够精确;而3D脑肿瘤分割方法能够充分利用MRI的三维空间信息，但存在参数量和计算量较大的问题。针对上述问题，本文旨在结合MRI的不同序列，研究更准确的2D脑肿瘤分割方法和3D轻量化方法，主要工作概括如下: (1)提出一种基于多尺度特征融合U-Net网络(MAFF-ResUNet)的脑肿瘤分割方法。不同于其他的脑肿瘤分割方法，该方法使用多尺度注意特征融合(MAFF)模块，充分利用不同尺度的互补特征，能够保留更多的脑肿瘤细节信息。同时，本文设计残差编码器，利用残差映射机制增强网络的特征提取能力，并提高网络收敛的速度。实验结果表明:该方法具有较高的分割准确率，并在脑肿瘤的轮廓和边缘细节的分割上具有一定的优势。 (2)提出一种基于3D幽灵通道混洗网络(GSUNet)的脑肿瘤分割方法。本文利用3D幽灵模块作为网络的基础特征提取器，从根本上解决了现有3D脑肿瘤分割模型复杂度高的问题。同时，本文设计幽灵通道混洗模块(GSM)，使用步长为2的幽灵通道混洗模块来实现下采样，优化特征选择过程，并加强通道维度上的信息通信;使用步长为1的幽灵通道混洗模块和设计的密集幽灵模块(DGM)共同作为解码器，以较低的代价提升网络的表征能力。实验结果表明:该方法能够在极低的模型复杂度下达到与主流的脑肿瘤分割方法相媲美的分割性能。
NETL