32、基于U-net架构优化的MRI脑肿瘤分割研究

基于U-net架构优化的MRI脑肿瘤分割研究

一、前言

在现代医学影像领域，磁共振成像（MRI）是识别和诊断大脑各部位早期病变的重要技术，它能提取高对比度的大脑图像，是脑肿瘤（如胶质母细胞瘤）分割和评估肿瘤治疗反应的首选诊断工具。通常，医学影像专家会利用MRI生成一系列图像（如Flair、T1、T1增强、T2）来区分肿瘤的不同区域，从而获取肿瘤的形状、大小和密度等信息。然而，手动分割不仅耗时，还容易出错，且依赖专业人员的经验和能力。

U-net是深度学习领域中用于图像训练的著名模型，它是一种全卷积网络（FCN）算法，源自VGG16算法，主要依赖卷积神经网络（CNN）算法。U-net因其形状类似字母“U”而得名，由左侧的收缩路径和右侧的扩展路径组成。

本研究使用的数据集是BraTS 2018，这是一个多模态脑肿瘤分割挑战数据集，旨在推动脑肿瘤分割领域达到先进水平。它包含来自19个机构、使用不同MRI扫描仪采集的285个病例数据，分为210个高级别胶质母细胞瘤（HGG）和75个低级别胶质瘤（LGG）。每个病例由四种不同的MRI模态（T1、T1c、T2和FLAIR）组成，且经过预处理，体素大小为1mm³并去除了颅骨，输入图像大小为[240（高）×240（宽）×155（切片）]。

二、研究贡献

本研究的主要贡献如下：
1. 增强U-net架构 ：在卷积层中添加批量归一化，以增强每层的输出效果。
2. 保持输入输出尺寸一致 ：在卷积层使用相同的填充方式，确保U-net的输入和输出尺寸相同。
3. 改进拼接操作