论文部分内容阅读
核磁共振(magnetic resonance imaging,MRI)成像是目前医学影像中重要的一种成像技术,能为脑肿瘤的临床诊断和治疗提供清晰的图像显示。临床上通常采用手动标定方法分割脑肿瘤区域,该方法耗时费力,且具有很大的主观性。因此,如何实现MRI脑肿瘤图像的自动分割成为近年来研究的热点和难点。本文将深度学习中的卷积神经网络模型应用在脑肿瘤分割领域,达到了良好的分割效果。(1)提出一种结合卷积神经网络(convolution neural network,CNN)和模糊系统的脑肿瘤分割算法。首先,分别针对FLAIR和T2两种类型的单模态图像,构建适用于该类型图像的卷积神经网络。其次,针对FLAIR和T2图像,分别应用其对应的卷积神经网络模型进行预测,并将得到的预测概率通过非线性映射进行处理。最终,构建模糊推理系统,将FLAIR和T2图像经过非线性映射后的概率作为模糊推理系统的输入来判断该像素点是否属于肿瘤区域。(2)针对卷积神经网络具有的缺点,提出一种基于改进的全卷积神经网络(fully convolution network,FCN)的脑肿瘤分割算法。首先,将FlAIR、T1c和T2三种图像经过中值滤波去噪后进行线型比例融合。然后构建FCN模型,将融合后的脑肿瘤图像作为训练样本,将对应的专家分割结果图作为真值标签。最后,通过对不同网络架构的对比测试,选出最优网络模型。实验所用的MRI图像来自在线图库(Brain tumor image segmentation benchmark,BRATS),图库中包含神经胶质瘤患者的FLAIR、T1、T1c和T2四种已配准图像。实验从图库中选取50例患者图像数据用于训练,另选取10例患者图像数据用于测试。实验机器采用Intel Core i7 3.5GHz处理器并搭载NVIDIA GeForce GTX1070的GPU。实验结果表明,所提算法总体性能较好,采用结合卷积神经网络和模糊系统的方法和改进的全卷积神经网络方法后,脑肿瘤分割精确度分别达到了0.89和0.91,较已有方法有了一定程度的提升。