文献类型：期刊文章

作　　者：张晓宇[1] 王彬[1] 安卫超[1] 阎婷[2] 相洁[1]

ZHANG Xiao-yu;WANG Bin;AN Wei-chao;YAN Ting;XIANG Jie(College of Information and Computer,Taiyuan University of Technology,Taiyuan 030606,China;Shanxi Key Laboratory of Carcinogenesis and Translational Research,Shanxi Medical University,Taiyuan 030606,China)

机构地区：[1]太原理工大学信息与计算机学院,太原030606 [2]山西医科大学转化医学研究中心,太原030606

出　　处：《计算机科学》

基　　金：国家自然科学基金(81702449);国家重点研发计划(2018AAA0102604)。

年　　份：2021

卷　　号：48

期　　号：9

起止页码：187-193

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：胶质瘤是大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤。从多模态MRI中对胶质瘤组织进行可靠的分割具有很重要的临床价值,但是由于脑胶质瘤本身及周边组织较为复杂以及浸润性导致的边界模糊等,导致对脑胶质瘤的自动分割有一定的难度。文中构建了使用融合损失函数的3D U-Net++网络来对脑胶质瘤的不同区域进行分割,该网络使用不同层级的U-Net模型进行密集嵌套连接,使用网络的4个分支的输出结果作为深度监督以更好地结合深层和浅层的特征进行分割,并结合了Dice损失函数和交叉熵损失函数作为融合损失函数来提升小区域的分割精度。在2019年多模态脑肿瘤分割挑战赛(BraTs)的公共数据集划分的独立测试集中,采用Dice系数、95%Hausdorff距离、平均交并比(mIoU)、查准率(PPV)指标对所提方法进行了评估。结果表明,全肿瘤区域、肿瘤核心区域和增强肿瘤区域的Dice系数分别为0.873,0.814,0.709;其95%Hausdorff距离分别为15.455,12.475,12.309;其mIoU分别为0.789,0.720,0.601;其PPV分别为0.898,0.846,0.735。与基础的3D U-Net以及带深度监督的3D U-Net相比,所提方法可以有效地利用多模态的深层和浅层的信息,有效利用了空间信息,同时使用了Dice系数和交叉熵的融合损失函数,从而有效提升了对肿瘤各区域的分割精度,尤其是对小面积的增强肿瘤区域的分割精度。

关 键 词：多模态MRI  胶质瘤 肿瘤分割  3D U-Net++  融合损失函数  

分 类 号：TP391]