基于改进U-Net方法的脑肿瘤磁共振图像分割

蔡畅，陈军波，陈心浩

(中南民族大学 生物医学工程学院，武汉 430074)

脑肿瘤是一种颅脑内部组织出现癌变的疾病，一般可分为原发性肿瘤和继发性肿瘤两种，早期症状不明显，一旦发展为恶性肿瘤时，脑内的肿瘤细胞还会发生转移[1]，危及生命.因此，早期诊断与治疗至关重要.随着医学影像检测技术的进步，MRI在颅内肿瘤检测方面取得了较大进展，受到临床关注.而颅内肿瘤的及早发现，往往取决于MRI影像中肿瘤病灶的精确定位和准确分割.

目前脑肿瘤的临床诊断，多由经验丰富的临床专家手工标注分割，该方法效率低，分割精度也难以保证.而传统计算机图像分割方法如阈值分割、分水岭分割、区域分割，仅使用图像浅层信息进行分割，分割精度依赖于图像预处理，且受MRI成像质量的影响.近年来，基于人工神经网络的深度学习方法在图像分割中表现出极佳的性能，例如：AlexNet[2]、VGGNet[3]、GoogleNet[4]等方法对图像处理方法的应用产生重大影响，卷积神经网络在人工智能领域的应用也极具发展潜力.ZHANG等人[5]使用FCN来粗略分割原始MRI图像，再将得到的脑肿瘤分割区域作为样本输入FCN中进行训练，得到更精确的脑肿瘤分割图像，但该方法会损失局部信息，得到的结果仍然不够精细.VITTIKOP等人[6]使用U-Net[7]方法来进行分割，通过编码器、解码器和跳跃连接的方式，结合用于精准分割的高分辨率图像和用于类别识别的低分辨率图像的信息，使其在MRI图像分割领域达到了较高水平，但……