组卷积轻量级脑肿瘤分割网络

• 作者: 关欣 李锵 赵奕名
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 核磁共振成像 脑肿瘤分割 深度学习 组卷积 加权混合损失函数
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 磁共振图像
• 页码范围: 2159-2170
• 页数: 12页
• 分类号: TP391.7
• 语种: 中文

摘要

目的 脑肿瘤是一种严重威胁人类健康的疾病.利用计算机辅助诊断进行脑肿瘤分割对于患者的预后和治疗具有重要的临床意义.3D卷积神经网络因具有空间特征提取充分、分割效果好等优点,广泛应用于脑肿瘤分割领域.但由于其存在显存占用量巨大、对硬件资源要求较高等问题,通常需要在网络结构中做出折衷,以牺牲精度或训练速度的方式来适应给定的内存预算.基于以上问题,提出一种轻量级分割算法.方法 使用组卷积来代替常规卷积以显著降低显存占用,并通过多纤单元与通道混合单元增强各组间信息交流.为充分利用多显卡协同计算的优势,使用跨卡同步批量归一化以缓解3D卷积神经网络因批量值过小所导致的训练效果差等问题.最后提出一种加权混合损失函数,提高分割准确性的同时加快模型收敛速度.结果 使用脑肿瘤公开数据集BraTS2018进行测试,本文算法在肿瘤整体区、肿瘤核心区和肿瘤增强区的平均Dice值分别可达90.67％、85.06％和80.41％,参数量和计算量分别为3.2M和20.51G,与当前脑肿瘤分割最优算法相比,其精度分别仅相差0.01％、0.96％和1.32％,但在参数量和计算量方面分别降低至对比算法的1/12和1/73.结论 本文算法通过加权混合损失函数来提高稀疏类分类错误对模型的惩罚,有效平衡不同分割难度类别的训练强度,本文算法可在保持较高精度的同时显著降低计算消耗,为临床医师进行脑肿瘤分割提供有力参考.