论文部分内容阅读
海马体位于大脑丘脑和内侧颞叶之间,主要负责长时记忆的存储。海马体的体积及其功能的异常与很多精神疾病密切相关。因此海马体的准确分割,可以辅助医师对相关精神疾病进行诊治,具有极大的医用价值。磁共振成像(Magnetic Resonance Imaging,MRI)作为先进的医学影像采集技术,采集到的影像不仅具有较高的软组织分辨率,还能提供对比度丰富、分辨率高的三维脑组织信息。因此,在脑MRI影像中研究海马体的体积形态,实现三维海马体的精确分割,日渐成为医学图像领域的一个重要任务。脑MRI海马体分割方法主要分为以下几类:人工分割、半自动分割和全自动分割。通常人工分割方法很繁琐、耗时,而且容易出错。半自动分割通常依赖于分类器、优化器等其他辅助技术,往往分割精度也不是很高。为了实现海马体的三维精确分割,本文主要通过深度学习的方法对海马体分割进行研究,主要内容为:(1)基于卷积神经网络和多视图集成(CNN+BDC-LSTM)的海马体分割算法。首先采用卷积神经网络对冠状面、矢状面以及横断面三个视图下的2D切片序列进行分割,然后将三个视图下的分割结果进行集成,得到最终的结果。其中卷积神经网络由编码部分、双向卷积长短记忆网络(Bi-Directional CLSTM,BDC-LSTM)和解码部分组成。为获取多尺度信息,扩大卷积层的感受野,编码部分使用不同大小的非对称卷积层和空洞卷积。此外,在编码和解码部分之间使用BDC-LSTM,充分挖掘单视图下切片序列间的相关信息,从而提高分割精度。(2)基于Dilated-3DUnet分割海马体算法。该模型以三维全卷积神经网络为基础,设计了一个端到端的卷积神经网络。该网络中卷积层的通道数采用“金字塔”分布的方式,有效缩小了参数的规模。此外,使用三维空洞卷积(3D Dilated Convolution)作为级联卷积操作,不仅有效地结合了脑MRI影像的深层特征和浅层特征,而且在不改变参数个数的情况下,扩大了卷积层的感受野,获取了多尺度信息,能够更好的捕捉脑MRI影像的浅层特征,从而提高了分割精度。(3)基于3D-DilAttenUNet分割脑部海马体算法。该网络的结构以3DUnet结构为基础,添加了Attention U-Net中的注意门(Attention Gate,AG),这样不仅可以缩小参数规模,而且可以抑制不相关背景区域的特征响应,提高模型的灵敏度和预测精度。为了使模型能更容易训练及快速收敛,在3D-DilAttenUNet的编码部分添加了Resiual Unit模块。通过使用不同膨胀系数的空洞卷积,从而获得了多尺度信息。此外,为了避免“梯度弥散”的问题,添加了深度监督。在两个公开数据库上的实验发现,3D-DilAttenUNet模型在处理MRI影像时效果比较突出,在精度上超过了其他算法,具有较大的优势。