计算机应用

作者：董阳, 潘海为, 崔倩娜, 边晓菲, 滕腾, 王邦菊

单位：1. 哈尔滨工程大学 计算机科学与技术学院, 哈尔滨 150001;2. 华中农业大学 理学院, 武汉 430000

关键词：脑肿瘤,多模态图像,医学图像分割,小样本分割,深度学习

基金：国家自然科学基金资助项目（61672181）；中央高校基本科研业务费专项基金资助项目（201-510318070）。

针对脑肿瘤磁共振成像（MRI）模态多、训练数据少、类别不平衡以及各个私有数据库差异大等导致分割困难的问题，引入小样本分割方法，并提出基于U-net的原型网络（PU-net）模型用以对脑肿瘤磁共振（MR）图像进行分割。首先对U-net的结构进行调整来提取各类瘤体的特征用以计算原型；然后在原型网络的基础上，逐像素利用原型对各空间位置进行分类，从而获取各类瘤体区域的概率图与分割结果；针对瘤体像素类别不平衡问题，采用自适应权重交叉熵损失函数来减小背景类对损失计算的影响；最后加入原型校验机制，即融合利用分割得到的概率图和查询图像对原型进行校验。所提方法在公开数据集BraTS2018上进行实验，得到的平均Dice系数为0.654，阳性预测率为0.662，灵敏度为0.687，豪斯多夫距离为3.858，平均交并比（mIOU）达到61.4%，与最新的小样本分割方法原型校准网络（PANet）和基于注意力的多上下文引导网络（A-MCG）相比各项指标均有所提升。结果显示引入小样本分割方法对脑肿瘤MR图像进行分割有不错的效果，采用自适应权重交叉熵损失函数也有着一定的帮助，可以对脑肿瘤诊断治疗起到有效的辅助作用。

来源：2021年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第4期