基于ResUnet对抗网络的脑瘤图像分割方法

罗耀

(广东机电职业技术学院 计算机与设计学院，广东 广州 510550)

0 引言

将脑瘤从图像中分离出来是图像医学和人工智能医学的重要分支。脑瘤可以分布在大脑的任意区域，几乎可以变成任意大小和形状，使得人工分割的时候容易产生误差。同时，由于病人人数激增，产生大量亟待处理的磁共振成像MRI(Magnetic Resonance Imaging)等影像资料。为提高效率和准确率，同时减轻工作人员的工作负担和工作压力，使用计算机技术设计一款辅助软件分担他们的工作是非常必要的。

随着计算机科学的发展，机器学习成为医学图像分割的重要研究方向。从监督的角度看，这些机器学习分割方法可分为：非监督学习方法、半监督学习方法和监督学习方法。非监督学习方法属于传统方法，按照原理大致分为：基于阈值的方法、基于区域的方法、基于像素的方法和基于形态学的方法。优点是简单，计算速度快，对算力要求不高，对样本数的要求也不高。缺点是不太准确。监督学习方法的方法众多，从复杂性和可解释性来分，有比较简单并容易解释的svm，rf和crf等方法，也有较复杂的不易解释神经网络[1]等方法。较非监督学习方法来说，监督学习方法较准确，缺点是所用样本较多，对算力的要求较高，计算速度也较慢。半监督学习方法则需要在以上二者之间进行权衡，努力寻找优缺点间的平衡点。

基于ResUnet对抗网络的脑瘤图像分割方法(以下简称对抗法)为了保证准确率采用监督学习的方法，融合了ResUnet和对抗网络的技术，为进一步提高准确率使用混合滤波器对输入图像进行预处理。……