论文总字数：34487字

摘 要

基于脑部磁共振图像的肿瘤分割是在大脑的图像中将肿瘤部分分割出来。随着医学成像技术的不断发展，基于脑部磁共振图像的肿瘤分割也成为脑部肿瘤相关疾病的诊断和治疗的重要前提。而手动分割大脑磁共振图像是一项非常繁琐耗时的任务，并且操作人员会带有自己的主观意识，这样会造成分割的错误。

卷积神经网络是深度学习的一个重要的组成部分，在包括图像分类，图像分割、物体识别检测等领域有着很好的效果。近年来，U-Net在医学图像的处理上比较成功的卷积神经网络。本文采用三维的U-Net来做为大脑肿瘤分割的网络，三维的网络更能学习到三维空间信息。网络的深度越深往往会带来梯度消失的问题，数据的标准化可以解决这个问题，但是会带来网络性能退化的问题，所以本文引入残差块来提升网络性能。而条件随机场后处理可以更新网络分割后的概率矩阵，以得到更好的分割结果。大脑肿瘤中含有4个部分，包括坏死、水肿、非增强性肿瘤以及增强型肿瘤，则包括大脑图像其他背景在内，是一个5分类的问题，本文引入一个三层级联的网络结构，将5分类的问题分为两个2分类问题和一个3分类问题，这样能分步简化问题并且获得更好的效果。

为了评估本文提出的大脑肿瘤分割方法的性能，本文选取BraTS2015的数据集进行实验，并且与传统的二维的U-Net的分割结果进行比较，使用Dice系数、Positive Predicted Value (PPV) 和Sensitivity作为评价指标。通过实验证明了本文提出的算法可以取得较好的大脑肿瘤分割结果。

关键词：大脑磁共振图像、大脑肿瘤分割、卷积神经网络、残差块、U-Net、条件随机场

Abstract

Tumor segmentation based on brain magnetic resonance images divides the tumor portion in the image of the brain. With the continuous development of medical imaging technology, tumor segmentation based on brain magnetic resonance images has become an important prerequisite for the diagnosis and treatment of brain tumor diseases. Manually segmenting brain magnetic resonance images is a very tedious and time-consuming task, and operators have their own subjective awareness, which can cause segmentation errors.

Convolutional neural network is an important part of deep learning, and it has a good result in the fields of image classification, image segmentation and object recognition detection. In recent years, U-Net is a successful convolutional neural network for the processing of medical images. In this paper, 3D U-Net is used as the network for brain tumor segmentation, and the 3D network can learn three-dimensional information. Because the deeper network will bring the problem of gradient disappearance. Data standardization can solve this problem, but it will bring about the degradation of network performance. So this paper introduces residual blocks to improve network performance. The conditional random field post-processing can update the probability matrix after network segmentation to get better segmentation results. Brain tumors contain four parts, including necrosis, edema, non-enhancing tumors, and enhancing tumors, including other backgrounds of brain images, which is a 5-class problem. This paper introduces a three-tier cascading network structure, which divides the problem of 5-class problem into two 2-class problems and a 3-class problem, which can simplify the problem step by step and obtain better results.

In order to evaluate the performance of the brain tumor segmentation algorithm proposed, this paper selects the dataset of BraTS2015 for experiment. And compared with the traditional 2D U-Net segmentation results, the Dice , Positive Predicted Value (PPV) and Sensitivity are used as evaluation indexes. Experiments show that the proposed algorithm can achieve better brain tumor segmentation results.

KEY WORDS: brain MRI, brain tumor segmentation, convolutional neural network, residual block, U-Net, conditional random field

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1 研究背景 1

1.1.1 大脑磁共振成像方式 1

1.1.2 神经胶质瘤 2

1.1.3 脑部磁共振图像的肿瘤自动分割 2

1.2 研究现状 3

1.3 论文研究意义和内容 6

1.4 论文内容组织 7

第二章 卷积神经网络 8

2.1 引言 8

2.2 卷积神经网络结构和计算过程概述 8

2.3 卷积神经网络结构 9

2.3.1 输入层 9

2.3.2 隐含层 9

2.3.3 输出层 13

2.4 本章小结 13

第三章 基于多模态的三层级联网络架构的大脑肿瘤分割方法 14

3.1 引言 14

3.2 基于多模态的三层级联网络架构大脑肿瘤分割方法 14

3.3 三维的U-Net 15

3.4 残差块 17

3.5 条件随机场 18

3.6 本章小结 18

第四章 脑部肿瘤自动分割实验及结果 20

4.1 数据集及实验处理 20

4.1.1 脑部磁共振图像数据集 20

4.1.2 脑部磁共振图像的分割评估任务 21

4.1.3 实验处理 21

4.2 实验结果评价指标及实验环境 23

4.2.1 实验结果评价指标 23

4.2.2 实验环境 24

4.3 对比实验及参数 24

4.3.1 二维的U-Net 24

4.3.2 带有稠密连接的二维的U-Net 25

4.3.3 实验参数 25

4.4 实验结果 25

4.5 本章小结 32

第五章 总结与展望 33

5.1 研究总结 33

5.2 研究展望 33

参考文献 35

致 谢 37

绪论

研究背景

大脑为神经系统最高级部分，主要包括左、右大脑半球，是中枢神经中最大和最复杂的结构，也是调节机体功能的最重要的器官，是意识、精神、语言、学习、记忆和智能等高级神经活动的物质基础。正因为大脑对于人体的重要性，所以，随着科学技术不断发展的现代，脑部的健康也成为了大家关注的焦点。对于脑部肿瘤分割技术的发展，这与医学影像技术的快速进步是分不开的，通过优良的大脑成像技术可以获得较好的脑部肿瘤的医学影像，这也给后续在大脑病变图像中获得脑部肿瘤提供了物理基础。而在临床的大脑肿瘤的诊断中，对于脑部肿瘤的自动检测也是非常重要以及关键的一步，对于肿瘤位置的确定、肿瘤内部结构的分析能做出较为准确的判断。

因此，脑部疾病的诊断，特别是大脑肿瘤的定位和分割在近些年来国内外许多学者研究的热点。

大脑磁共振成像方式

脑成像就是通过最新技术使得神经科学家可以看到大脑的内部。这些脑成像方法可以在以下方面为神经科学家提供帮助：（1）理解脑特定区域与其功能之间的关系。（2）对受神经疾病影响的脑区进行定位。（3）发明新方法治疗脑部疾病。而成像的方式利用了医学影像的的技术，而在医学影像的成像中，使用了某种介质与大脑之间相互作用，把大脑的结构、形态以图像的方式呈现出来。磁共振成像（Magnetic resonance imaging, MRI）：是利用核磁共振原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。磁共振成像（MRI）在于大脑图像的优势在于：

1. 磁共振成像是利用外磁场与大脑相互作用成像，不会对人体造成伤害，不注射放射性物质，也不使用放射性的射线。
2. 磁共振成像能获得原生三维断面成像而无需重建就可获得多方位的图像，可以获得矢状面、冠状面、横断面以及其他各种斜面的图像。
3. 磁共振成像可以获得较高空间分辨率的大脑图像，以取得大脑各个部位以及肿瘤的精确图像。
4. 磁共振成像对于病变的识别度要优于其他的成像方式，这得益于它对血管、神经、肿瘤、肌肉等软组织成分的分辨率较高。

基于以上所述的磁共振成像（MRI）的优点，在本次研究中，选择磁共振图像作为研究的对象。而在磁共振图像中，有四种序列所形成的图像：T2-weighted fluid attenuated inversion recovery（Flair）、T1-weighted（T1）、T1-weighted contrast-enhanced（T1c）、T2-weighted（T2）。这四种图像通常分别被称为磁共振成像（MRI）的一种模态，其在肿瘤的分割中能起到不同的作用。例如，肿瘤图像的整体分割在Flair图像下处理表现更佳，肿瘤核在T2图像下能获得更好的分割，T1c图像更利于增强型肿瘤核的分割等。

神经胶质瘤

神经胶质瘤（glioma）是最常见的原发性中枢神经系统肿瘤，神经胶质瘤发病率占大脑内原发性肿瘤的一半，且在成年人中比较普遍，引发神经胶质瘤的病因尚不明确，可能与肿瘤起源、遗传因素、生化环境、电离辐射、亚硝基化合物、污染的空气、不良的生活习惯、感染等因素有关。此外，脑神经胶质瘤可以被多序列的大脑的磁共振图像（MRI）所检测出来。

剩余内容已隐藏，请支付后下载全文，论文总字数：34487字