基于3D U-Net网络的肿瘤分割方法设计

作者：田学智; 周莲英

来源：计算机与数字工程, 2022, 50(02): 405-418.

• 图像分割
• 核磁共振成像
• 卷积神经网络
• 残差块

脑肿瘤MRI图像形态各异，类别严重不平衡，采用传统机器学习的半自动分割或深度学习的全自动分割方法，分割精度都不高。针对此问题，文章将3D U-Net[1]模型改进成一个层数更深的网络模型，此结构可以提取更多图像特征，但同时会导致网络难以训练，收敛过慢。为应对这种情况设计了一个叠加式残差块，在保留更多图像特征的同时，避免了深层网络无法收敛的问题。另外以混合损失函数代替传统Dice损失函数，可以增加脑肿瘤像素区域对总损失的贡献，提高稀疏分类错误对模型的惩罚，缓解数据类别不平衡问题。实验结果表明，在全肿瘤区域、肿瘤核心区域和肿瘤增强区域，提出的深层网络和混合损失函数的方法在分割精度上分别达到了0.88、0.82、0.66，在算法准确率上有了一定提升。

• 单位
  江苏大学