深度学习结合区域生长对MR图像胶质瘤的分割

作者：李阳; 宋悦; 穆伟斌; 张淑丽^*

来源：中国医疗设备, 2022, 37(12): 35-48.

• 磁共振图像
• 深度学习
• 区域生长
• 胶质瘤
• 分割

目的 MR图像胶质瘤的精准分割是判定肿瘤范围和制定治疗方案的前提。为解决传统胶质瘤分割方法的过程中存在的复杂度高和精度低的问题，本文提出一种改进的U-Net网络与区域生长算法相结合的方法来分割MR图像胶质瘤。方法 从公开数据库中下载胶质瘤的MR图像和手动分割标签。在U-Net网络的各层和桥中的2个卷积层间加入残差模块来改进网络，然后对网络分割结果做适度的区域生长操作来描述肿瘤的边界。使用Dice相似系数（Dice Similarly Coefficient,DSC）和边界F1(Boundary F1,BF)轮廓匹配分数（BF Score）等指标来评价本文方法的分割性能。结果 在区域生长参数优化集中，区域生长的最大强度差异和种子点的灰度阈值为0.01和86时，分割结果达到最优。在包含了肿瘤所有层面的测试集中，DSC和BF Score分别达到了0.8332和0.7283。DSC得分相较于传统的FCN-8s和DeepLab v3+网络分别提高了7.43%和4.56%。结论 改进的U-Net网络结合区域生长操作能很好地描述胶质瘤的位置、范围和边界信息，可用于辅助医生对胶质瘤进行定量分析。

• 单位
  齐齐哈尔医学院