一种改进的三维双路径脑肿瘤图像分割网络

摘要：

近几年,深度学习在生物医学图像处理中的应用得到了广泛关注.从深度学习的基本理论和医学领域应用出发,提出了一种改进的三维双路径脑肿瘤图像分割网络,用于提高核磁共振成像序列中对脑肿瘤各个区域的检测精度.所提算法以3D-UNet为基础架构,首先,使用改进的双路径网络单元构成类似于UNet的编码-解码器结构,该网络单元在保留原有特征的同时,还可以在脑肿瘤的纹理、形状和边缘等方面产生新特征,来提高网络分割精度;其次,在双路径网络模块中加入多纤结构,在保证分割精度的同时减少了参数量;最后,在每个网络模块中的组卷积之后加入通道随机混合模块来解决组卷积导致的精度下降问题,并使用加权Tversky损失函数替代Dice损失函数,提高了小目标的分割精度.所提模型的平均Dice_ET、Dice_WT 和 Dice_TC均优于3D-ESPNet、DeepMedic、DMFNet等算法.该研究结果具有一定的现实意义和应用前景.

关键词：图像处理、神经网络、双路径网络、脑肿瘤图像分割、加权损失函数

所属期刊栏目：41

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;天津市自然科学基金

在线出版日期：2021-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：54-61