24、脑组织结构分割与听力损失自动检测分类技术

脑组织结构分割与听力损失自动检测分类技术

1. 脑组织结构分割

1.1 U-Net模型与并行架构

在磁共振成像（MRI）中，脑组织结构分割是一项重要任务。通常，MRI切片可能包含白质（WM）、灰质（GM）、脑脊液（CSF）、异常区域（ABN）和背景这五个不同区域，但不同切片中这些区域的存在情况和大小可能不同。为了解决现有方法大多仅处理医学研究中心切片的问题，引入了卷积神经网络（CNN）的并行架构。

U-Net模型是该架构的基础，其输入数据先通过3×3卷积核进行卷积操作，接着是修正线性单元（ReLU）和2×2最大池化层进行下采样。模型的后续部分由2×2卷积核的反卷积和卷积层组成，最终输出对应要分割的特定对象类别。

并行架构主要由四个针对特定软组织训练的U-Net模型组成，其操作流程如下：
1. 将研究中的任何切片输入系统。
2. 每个U-Net模型进行二值分割，识别对应训练组织的像素并进行分割。
3. 合并二值分割图像以获得最终分割结果。

该架构具有自适应能力，如果输入图像不包含特定组织，负责分割该组织的U-Net将返回图像背景的相应标签；如果是健康患者的研究，异常或肿瘤区域也会返回图像背景标签，从而能够自动且无需人工干预地分割完整医学研究的所有切片。

1.2 实验设置

1.2.1 数据

研究使用了两个专门的脑磁共振成像数据库。BrainWeb数据库提供了一个正常解剖模型和一个有异常的模型用于训练，另一个正常模型用于验证，每个模型有101张大小为256×256像素、8位深度的图像。为了进行真实客观的评估，还使用了BraTS 2017数据库，其