华南理工大学学报(自然科学版)

作者：杨晋生, 陈洪鹏, 关欣, 等

单位：天津大学 微电子学院，天津 300072

关键词：脑肿瘤,图像分割,空洞卷积,特征融合,混合损失函数,多尺度,人工智能

基金：国家自然科学基金资助项目(62071323);天津大学自主创新基金资助项目(2021XZC-0024)

手动分割核磁共振成像（MRI）图像中的脑肿瘤区域费时、费力，容易受个人主观性的影响，能够可靠、高效的半自动或自动分割脑肿瘤，对于医学辅助诊断尤为重要。近年来，基于卷积神经网络的脑肿瘤图像自动分割方法虽然取得了长足进步，但现有方法仍未能有效地融合肿瘤图像大尺度轮廓和小尺度纹理细节等方面特征，忽略了训练时丰富的全局上下文信息。针对这些问题，文中提出了一种多尺度轻量级脑肿瘤图像分割网络MSL-Net。首先，利用改进的分层解耦卷积替换U-Net网络中的基础卷积，在高效探索多尺度多视图空间信息的同时扩大了感受野；然后，在跳跃连接处引入双向加权空洞特征金字塔结构以融合多尺度特征，并使用结合了广义Dice损失函数和Focal损失函数的混合损失函数，以提升肿瘤和非肿瘤区像素数量不平衡情况下的分割精度并加快收敛速度。在BraTS 2019数据集上的实验结果表明：文中所提出的MSL-Net网络在整体肿瘤区、核心肿瘤区和增强肿瘤区的Dice相似系数分别为0.900 3、0.830 6和0.777 0，参数量和计算量（每秒浮点运算次数）分别为3.9×105和3.16×1010；与目前先进的方法相比，文中方法在实现轻量化的同时获得高的分割精度。

来源：2022年第12期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2022年第12期