科研之友
微信
新浪微博
Facebook
分享链接
摘要
三维卷积神经网络处理图像分割精度高，可以保留更多空间信息，有效解决标签不平衡问题，但存在参数量大的缺点．针对目前三维脑肿瘤分割网络内存资源占用大、硬件设备要求高、计算效率低的问题，将传统3DUNet网络中的3D卷积替换为分层解耦卷积，能够降低空间环境的计算复杂度和内存占用量，在不提高计算量的前提下显著提高分割精度，提高网络性能．为解决传统自编码器不能自主生成数据的问题，使用结合深度学习和统计学习的变分自编码器，在编码器结果中加入高斯噪声，使得编码器对结果具有鲁棒性，在编码器中加入概率分布防止过拟合，提高算法的泛化性能．采用三线性插值在三维离散采样数据的张量积网格上进行线性插值，有效避免线性方程组不断增大导致计算时间过长的问题．通过对损失函数加权混合，避免梯度弥散时出现学习速率下降现象，解决小区域分割不平衡问题，减少局部性能最优，使网络保持较高运算速度的同时有效提高分割精度，在有限内存空间最大化网络特征提取能力．在脑肿瘤公开数据集BraTS2019上的实验结果表明，该网络在增强型肿瘤、全肿瘤、肿瘤核心上的Dice值分别可达78.02%、90.05%和83.14%，参数量仅为0.30×106，能够准确、高效地分割出脑肿瘤中各病灶区域，节约硬件设备的算力和内存资源，为临床应用提供可能性．
- 单位
