摘要: 脑肿瘤是一种严重威胁人类生命健康的恶性疾病，其发病率和致死率极高，目前仍然缺乏有效的治疗手段。脑肿瘤具有不同的组织学亚区，从多模态核磁共振影像(Magnetic Resonance Imaging，MRI)中分割出脑肿瘤区域，有助于对患者进行早期诊断和后续治疗。... 展开 脑肿瘤是一种严重威胁人类生命健康的恶性疾病，其发病率和致死率极高，目前仍然缺乏有效的治疗手段。脑肿瘤具有不同的组织学亚区，从多模态核磁共振影像(Magnetic Resonance Imaging，MRI)中分割出脑肿瘤区域，有助于对患者进行早期诊断和后续治疗。然而，由于脑肿瘤结构复杂，肿瘤区域与正常组织的边界不易区分，通常情况下只能通过有经验的医生手动标注来进行肿瘤区域的分割。手动分割的方式费时费力，并且容易出现误差。因此，自动分割MRI影像中的脑肿瘤区域成为了近年来计算机视觉领域的研究热点。为了解决脑肿瘤分割的难题，本文基于深度学习对该问题进行了研究并开发了应用平台，具体研究工作如下： 1. 针对脑肿瘤二维切片数据的分割，提出了一种基于多尺度上下文注意力机制(Multiscale Contextual Attention- Residual UNet，MCA-ResUnet)的二维脑肿瘤分割模型。该模型在使用多尺度特征提取的基础上引入空间与通道注意力机制，对提取到的高级特征在通道与空间维度上进行筛选，从而获得上下文信息丰富的高级特征，缓解了现有U-Net 模型在特征提取过程中空间上下文信息丢失的问题。并且将编码解码结构中的标准卷积块替换为预激活的残差块，优化网络训练，提升了网络性能。另外，在解码模块中引入通道注意力机制，促进了高级特征与低级特征的融合。通过在BraTS 2017与BraTS 2019两个数据集上的对比实验结果表明，该模型达到了较高的分割精度，整体肿瘤区域、核心肿瘤区域以及增强肿瘤区域的分割Dice系数分别达到了0.849，0.865，0.784。 2. 针对三维MRI脑肿瘤图像的分割，提出了一种基于改进Transformer和三维卷积神经网络(Convolution TransformerU-Net，ConvTrU-Net)的脑肿瘤分割模型。该模型通过将Transformer和3D CNN结合的方式，解决了传统3D U-Net无法学习到图像中长距离像素点之间相互依赖关系的问题。并且对 Transformer 结构进行了改进，用多种并行一维卷积代替Transformer前馈网络中的线性层，使Transformer既能捕获特征图的全局信息又能关注到更多的局部信息，从而进一步提升了模型的分割性能。通过在BraTS 2017与 BraTS 2019 两个数据集上的对比实验结果表明，该模型有效提升了脑肿瘤的分割精度，相比于3D U-Net模型，Dice系数在三个不同肿瘤区域分别提升2.7%，1.9%，2.0%。 3. 将本文提出的两个算法模型与临床应用相结合，设计并开发了一款脑肿瘤辅助诊断平台。平台的开发是基于Java和Python两种面向对象的高级程序语言，该平台集成了本文两个算法模型，实现了多模态 MRI 影像的智能化分析，方便了医生和患者的交流，能够更加有效地辅助医生对患者进行后续诊疗。 收起