面向多模态磁共振脑瘤图像的小样本分割方法

• 作者: 董阳 潘海为 崔倩娜 边晓菲 滕腾 王邦菊
• 来源期刊: 计算机应用
• 关键词: 脑肿瘤 多模态图像 医学图像分割 小样本分割 深度学习
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: CCF 第35届中国计算机应用大会(CCF NCCA 2020)|The 35 CCF National Conference of Computer Applications (CCF NCCA 2020)
• 页码范围: 1049-1054
• 页数: 6页
• 分类号: TP391.4
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020081388

摘要

针对脑肿瘤磁共振成像(MRI)模态多、训练数据少、类别不平衡以及各个私有数据库差异大等导致分割困难的问题,引入小样本分割方法,并提出基于U-net的原型网络(PU-net)模型用以对脑肿瘤磁共振(MR)图像进行分割.首先对U-net的结构进行调整来提取各类瘤体的特征用以计算原型;然后在原型网络的基础上,逐像素利用原型对各空间位置进行分类,从而获取各类瘤体区域的概率图与分割结果;针对瘤体像素类别不平衡问题,采用自适应权重交叉熵损失函数来减小背景类对损失计算的影响;最后加入原型校验机制,即融合利用分割得到的概率图和查询图像对原型进行校验.所提方法在公开数据集BraTS2018上进行实验,得到的平均Dice系数为0.654,阳性预测率为0.662,灵敏度为0.687,豪斯多夫距离为3.858,平均交并比(mIOU)达到61.4％,与最新的小样本分割方法原型校准网络(PANet)和基于注意力的多上下文引导网络(A-MCG)相比各项指标均有所提升.结果显示引入小样本分割方法对脑肿瘤MR图像进行分割有不错的效果,采用自适应权重交叉熵损失函数也有着一定的帮助,可以对脑肿瘤诊断治疗起到有效的辅助作用.