2、基于全卷积神经网络的脑肿瘤分割

基于全卷积神经网络的脑肿瘤分割

1. 引言

在监督判别方法中，判别方法是基于全自动化软计算的方法，需要大量数据来训练模型以完成指定任务。传统方法需从图像中提取特征，如灰度强度直方图、纹理特征等，这严重依赖研究者的知识，不当的特征集会导致分割结果不佳。而深度学习的发展消除了从数据中提取特征的负担，其架构能提供端到端的模型来解决多种任务，卷积神经网络（CNN）在特征提取时能保留空间上下文，非常适合图像解读，在医学领域也备受关注。

2. CNN 脑肿瘤分割架构

2.1 CNN 基本架构

CNN 基本架构包含卷积层、非线性激活层和池化层，可按需组织，之后可能接全连接层。通过对输入图像应用不同卷积核提取多个特征图，初始层的特征图对低级特征（如不同方向的线条）产生响应，随着卷积操作深入，可提取高级特征（如曲线）。非线性激活函数将特征图输出转换到 [0, 1] 或 [-1, 1] 范围，最大池化层保留响应良好的特征，也可用平均池化层替代。最后一层的输出会输入到包含全连接层的神经网络中。不同 CNN 架构的区别在于层的顺序，会从图像中提取补丁进行进一步处理。在脑肿瘤分割中，肿瘤部分相对整个大脑较小，会产生类别不平衡问题，可通过在等概率补丁上训练网络或使用加权损失函数来解决。补丁处理方式有补丁分类和补丁分割。

2.2 不同 CNN 架构

• DeepMedic ：使用 11 层深的 3D CNN，采用局部特征图和全局特征图的概念，将多尺度 3D 补丁传递到不同 CNN 中，再将结果组合后输入全连接层。训练图像进行零均值和单位方差归一化，通过应用条件随机场进行后处理来改进分割结果。