如何利用先进的U-net模型提升脑肿瘤MRI分割的准确性？

摘要： 　　大脑是人类思维的“指挥中心”，同时负责身体的协调。因此，各类脑部疾病会对人体及神经系统造成严重影响。脑瘤是由于大脑内细胞异常生长和不规则繁殖所致。胶质瘤是成人中最常见的恶性肿瘤...

　　大脑是人类思维的“指挥中心”，同时负责身体的协调。因此，各类脑部疾病会对人体及神经系统造成严重影响。脑瘤是由于大脑内细胞异常生长和不规则繁殖所致。胶质瘤是成人中最常见的恶性肿瘤之一，起源于神经胶质细胞及其周围浸润组织，生长过程中会压迫正常脑组织，并使肿瘤边界模糊。因此，在治疗时，往往会对正常脑组织造成损害，给健康带来不可逆转的影响。因此，准确确定脑肿瘤的分割边界已成为亟待解决的重要问题。

　　随着医学影像技术的迅速进步，各种医学影像手段在临床疾病的检测和治疗方案的制定中发挥了关键作用。其中，磁共振成像(MRI)作为一种无创且安全的技术，提供了清晰且对比度强的图像，在脑肿瘤的诊断中具有重要意义。然而，肿瘤的侵袭性和高度异质性使得MRI图像呈现出高度不均匀和无边界特征。此外，外部因素及不同的MRI采集方式可能会改变肿瘤的外观，甚至产生伪影，降低图像质量。这使得脑肿瘤的检测和治疗面临挑战。

　　在临床实践中，脑肿瘤靶区的标记主要由放射科医生负责。由于标注者的个人经验差异，这一过程不仅耗时且困难，因为缺乏统一的分割标准。因此，开发一种准确且快速的自动分割方法，对于脑病等神经系统相关疾病的诊断、监测和进展评估，在学术研究和临床应用中都显得尤为重要。

　　尽管卷积神经网络(CNN)等深度学习方法可用于脑肿瘤图像分割，但仅依赖传统CNN方法的分割结果往往边界粗糙，肿瘤细节的分割效果较差。针对这些问题，本研究采用基于U-net的残差分组卷积模块(RGCM)，以减少模型参数和计算量，加快模型收敛速度。通过引入卷积块注意模块(CBAM)和双线性插值方法，提升了模型的特征提取能力和分割精度，有效解决了输出分割结果中细节缺失和边界不光滑的问题。该研究的一部分已在2022年第五届计算机科学与软件工程国际会议上以“RGA-Unet:基于残差分组卷积和卷积块注意模块的脑肿瘤MRI图像分割改进U-net分割模型”为主题进行了介绍。

　　本研究与以往工作的不同之处在于，考察了归一化处理、损失函数、网络深度对分割性能的影响，进一步提升了模型的分割精度。具体研究可以总结如下:

　　（1）

　　RGCM将原始网络层的高维卷积分解为8个相同的低维卷积，从而减少了模型的参数数量、计算量和收敛时间，获得更高的分割精度。

　　（2）

　　采用CBAM模拟人类视觉处理，使模型更加关注肿瘤区域的特征提取，增加该区域特征学习的权重，进一步提升分割精度。

　　（3）

　　研究了采样方法、归一化、损失函数、网络深度等因素对分割性能的影响，采用双线性插值上采样、实例归一化、二进制交叉熵(BCE)-骰子损失函数和四层编码器结构对模型进行了改进。该模型取得了良好的分割效果。