基于優(yōu)選集成ConvNet的腦癌圖像分割方法

韓 兵，王 鵬，周 毅

(首都醫(yī)科大學(xué)附屬北京世紀(jì)壇醫(yī)院 信息中心，北京 100038)

腦瘤是世界范圍內(nèi)最為致命的癌癥之一，根據(jù)其來源，可分為原發(fā)性腫瘤和繼發(fā)性腫瘤[1].原發(fā)性腫瘤最常見的組織學(xué)形式是膠質(zhì)瘤，它起源于腦膠質(zhì)細(xì)胞[2]并與絕大多數(shù)的惡性腦腫瘤有關(guān)[3].膠質(zhì)瘤(glioma)可分為分化良好的低級別膠質(zhì)瘤(low grade glioma, 簡稱LGG)與低分化的高級別膠質(zhì)瘤(high grade glioma, 簡稱HGG)甚至膠質(zhì)母細(xì)胞瘤，通常前者的預(yù)后較好而后者的預(yù)后較差[4].這些腫瘤的發(fā)病率通常較高，其中膠質(zhì)母細(xì)胞瘤患者的中位生存期僅為15個月，7年后的生存率甚至接近零[5].因此，對病人進行及時診斷從而進行有效治療是十分必要的.醫(yī)學(xué)上，通常根據(jù)患者的病史、臨床表現(xiàn)與頭顱的影像進行檢查.就后者而言，磁共振成像(magnetic resonance imaging, 簡稱MRI)通常是一種首選方案，它被放射學(xué)專業(yè)醫(yī)師廣泛應(yīng)用于評估腦腫瘤[1].基于激發(fā)(excitation)與重復(fù)(repetition)時間的程度，通常分為4個3維 MRI模態(tài)：T1加權(quán)像、增強掃描T1加權(quán)像、T2加權(quán)像和磁共振成像液體衰減反轉(zhuǎn)恢復(fù)序列(fluid attenuated inversion recovery, 簡稱FLAIR).在增強掃描T1加權(quán)像與FLAIR模態(tài)中，包括浸潤性水腫在內(nèi)的整腫瘤(whole tumor)的分區(qū)較為突出[6].而在T1加權(quán)像和增強掃描T1加權(quán)像上，不包括瘤周水腫的腫瘤核心(tumor core)分區(qū)較為明顯[7].這樣看來，可以結(jié)合使用這些掃描與其提供的補充信息，以檢測不同的腫瘤分區(qū).

從MRI的掃描結(jié)果中手動描述腦腫瘤分區(qū)是一項極其主觀的任務(wù)，其耗時較長并且容易產(chǎn)生變數(shù)[8].這樣看來，從多模態(tài)MRI圖像中自動分割膠質(zhì)瘤可以幫助醫(yī)生加快診斷甚至促進手術(shù)計劃的制定，并為進一步的腫瘤分析和監(jiān)測提供準(zhǔn)確的解決方案[9-10].傳統(tǒng)的腦腫瘤自動分割方法依賴于特征工程，即通常從輸入圖像中提取手工制作的特征，然后對分類器進行訓(xùn)練[11-12].用于這些方法的數(shù)據(jù)必須闡明膠質(zhì)瘤的可變特征，從腫瘤浸潤生長模式到它們的異質(zhì)性[13]，以便在分割過程中獲得相當(dāng)大的準(zhǔn)確性.文獻[14]最初提出了一種方法，通過使用患者的雙模態(tài)MRI數(shù)據(jù)即T2加權(quán)像和FLAIR生成的超像素來對腦腫瘤的等級進行分類.利用超像素的平均強度獲得感興趣區(qū)域，從中提取一階和二階表征并輸入支持向量機(support vector machine，簡稱SVM)分類器上以區(qū)分腫瘤等級.此后，利用患者的單模態(tài)MRI數(shù)據(jù)進行研究[15]：首先從FLAIR進行分割，從這些體素類標(biāo)簽中提取統(tǒng)計和紋理特征，然后將其輸入極限隨機樹(extremely randomised tree, 簡稱ERT)和SVM分類器中，從而確定體素代表的是健康的還是腫瘤的腦區(qū).該方法在多模態(tài)腦腫瘤分割2012 挑戰(zhàn)賽(multimodal brain tumour segmentation challenge, 簡稱MBTSC[16])上表現(xiàn)良好，分類結(jié)果比較表明，ERT在腫瘤分級的檢測和分割方面略優(yōu)于SVM.文獻[17]使用多序列MRI圖像以及擴散張量成像(diffusion tensor imaging, 簡稱DTI)數(shù)據(jù)，獲得跨模態(tài)清晰的腫瘤邊界.他們將提取的文本和基于強度的統(tǒng)計特征輸入RF分類器對體素進行分類.將DTI的分量即各向同性(p)和各向異性(q)與傳統(tǒng)的MRI數(shù)據(jù)結(jié)合在一起，顯著提高分類結(jié)果.在MBTSC 2013數(shù)據(jù)集上進行測試時，該方法表現(xiàn)良好，并提供了對腫瘤的專業(yè)分割.文獻[18]提出用擴散分割(diffusion segmentation, 簡稱D-SEG)的方法，從已測定體積的MRI數(shù)據(jù)中利用擴散特性對半自動分割病變進行分析，在通過k均值聚類將(p，q)空間中的體素劃分為簇后，健康腦組織和腫瘤區(qū)域的邊界在由此產(chǎn)生的組織分割中變得明顯和清晰.作為對比，深度學(xué)習(xí)模型無須設(shè)計和選擇特征，而是自動學(xué)習(xí)具有層次結(jié)構(gòu)的表征[19].其中卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, 簡稱ConvNet)廣泛應(yīng)用于醫(yī)學(xué)圖像的分割，同時也被認(rèn)為是腦瘤圖像分割最先進的方法.文獻[20]設(shè)計了一種將標(biāo)準(zhǔn)變分水平集與完全卷積網(wǎng)絡(luò)相結(jié)合的體系結(jié)構(gòu).文獻[21]引入了自動對焦層，增強了網(wǎng)絡(luò)的多尺度處理，并通過注意力機制學(xué)習(xí)在醫(yī)學(xué)圖像對象識別的最優(yōu)尺度，此外，加入的空洞卷積提高了網(wǎng)絡(luò)的可解釋性和表示能力，從而改善了腫瘤的分割.文獻[22]引入了一種3維深度級聯(lián)注意力網(wǎng)絡(luò).與其他級聯(lián)模型相比，它通過獨立的分支和它們之間的共享特征提取器來處理多類分割任務(wù)，隨后通過級聯(lián)注意方法提取各分區(qū)之間的關(guān)聯(lián)信息.文獻[23]提出一種使用多分辨率輸入的2維和3維模型來分割腦腫瘤圖像，然后集成它們的結(jié)果來獲得更加魯棒的分割圖.此操作減少了過擬合，并產(chǎn)生了一個更一般化的模型.文獻[24]利用生成對抗網(wǎng)絡(luò)(generative adversarial network, 簡稱GAN)以擴展到合成的高對比度圖像.將這些合成圖像與真實腦組織MR掃描圖像進行比較，結(jié)果表明，圖像分割得到了顯著改善，并減少了用于分割的真實通道數(shù)量.文獻[25]利用經(jīng)過自動編碼器正則化的3維ConvNet進行腦腫瘤圖像分割.文獻[26]提出一種卷積U型ConvNet，從而使得每個模態(tài)都有獨立的編碼器，然后在最終的特征融合塊中校準(zhǔn)每個解碼器塊的特征，最后模型給出最終的預(yù)測.文獻[27]中利用傳統(tǒng)的編碼器-解碼器架構(gòu)，并結(jié)合最新的損失函數(shù)，進一步提高分割的精度.

然而，由于膠質(zhì)瘤的形狀、大小和外觀的差異，以及惡性腫瘤和腦組織之間存在的模糊邊界，準(zhǔn)確分割腫瘤仍極具挑戰(zhàn)[28].因此，需要進一步探索更好的分割技術(shù)和更優(yōu)的準(zhǔn)確性的分析方法.筆者利用多個3維ConvNet模型從多模態(tài)MRI掃描中進行腦腫瘤分割，并將它們的概率圖進行一種“優(yōu)選集成”，以獲得更穩(wěn)定的預(yù)測.使用的子網(wǎng)絡(luò)分別在MBTSC-2019使用的數(shù)據(jù)集上進行訓(xùn)練，且每個模型都有對應(yīng)的tips更改與超參數(shù)優(yōu)化.在驗證集的評估結(jié)果表明，筆者的方法在增強腫瘤(enhancing tumor)、整腫瘤(whole tumor)和腫瘤核心(tumor core)上皆取得了極具競爭力的結(jié)果.

1 方 法

使用單個的神經(jīng)網(wǎng)絡(luò)進行圖像分割的效果通常精度較低達不到預(yù)期，因此筆者對深度神經(jīng)網(wǎng)絡(luò)進行優(yōu)選集成以適應(yīng)腦腫瘤分割的任務(wù).具體來說，提出了由2個網(wǎng)絡(luò)組成的輕量級集成方法，每個網(wǎng)絡(luò)都有選擇地在訓(xùn)練集上進行訓(xùn)練.這些網(wǎng)絡(luò)的輸出是在分割腫瘤子區(qū)域方面有所不同的分割圖，最后將分割圖組合起來得到最終的預(yù)測.這2個網(wǎng)絡(luò)的訓(xùn)練細(xì)節(jié)如下.

1.1 子網(wǎng)絡(luò)1：3維-ConvNet

集成中使用的第1個子模型是3維-ConvNet.它使用具有加權(quán)空洞卷積的多纖維單元進行多尺度表征以用于3維體積分割，如圖1所示.另外，對該網(wǎng)絡(luò)進行微調(diào)，以改善分割效果.

圖1 3維-ConvNet的框架

在將數(shù)據(jù)輸入網(wǎng)絡(luò)進行訓(xùn)練之前，使用多種數(shù)據(jù)擴充技術(shù)如裁剪、旋轉(zhuǎn)、鏡像等對數(shù)據(jù)進行增強.使用塊大小為128×128，并結(jié)合了dice損失和focal損失函數(shù)在150個epochs上訓(xùn)練模型.微調(diào)的超參數(shù)如表1所示.

表1 3維-ConvNet超參數(shù)

對MRI數(shù)據(jù)應(yīng)用零填充，使得原始240×240×155大小的體素被轉(zhuǎn)換為240×240×160，即正好可以被網(wǎng)絡(luò)整除的深度.一旦準(zhǔn)備好數(shù)據(jù)進行驗證，就通過訓(xùn)練好的網(wǎng)絡(luò)來生成概率圖.隨后使用這些概率圖進行集成以預(yù)測最終的結(jié)果.

1.2 子網(wǎng)絡(luò)2：3維-U型ConvNet

集成的第2個子模型是與經(jīng)典U型-ConvNet體系結(jié)構(gòu)不同的3維U-Net變體，與之不同的是其中的ReLU激活函數(shù)被Leaky-ReLU所取代，并使用實例歸一化(instance normalization, 簡稱IN)以代替批量歸一化(batch normalization, 簡稱BN).使用其在MBTSC-2019數(shù)據(jù)集上從零開始訓(xùn)練，如圖2所示，其中紫框表示3維卷積單元，紅線表示最大池化操作，藍(lán)線表示3線性上采樣(trilinear upsampling)操作且橘線表示合并操作.同樣對該網(wǎng)絡(luò)進行微調(diào)以改善分割效果.

圖2 3維-U型ConvNet的框架

通過裁剪數(shù)據(jù)來減少MRI大小.然后通過其他異構(gòu)數(shù)據(jù)的中值體素空間重新采樣，隨后進行z-score歸一化.為了訓(xùn)練網(wǎng)絡(luò)，使用輸入塊大小為128×128×128的體素且批量大小為2.在學(xué)習(xí)時對數(shù)據(jù)應(yīng)用不同的圖像增強技術(shù)如旋轉(zhuǎn)、鏡像反轉(zhuǎn)和伽馬校正以避免過擬合，從而提高模型的分割精度.使用的損失函數(shù)結(jié)合了交叉熵?fù)p失函數(shù)與dice損失函數(shù).表2詳細(xì)說明了訓(xùn)練過程中的超參數(shù).

表2 3維-U型ConvNet超參數(shù)

基于圖像塊進行驗證，其中所有的圖像塊重疊一半的大小，并且中心附近的體素有一個更高的權(quán)重被分配于它們.在測試期間，沿著圖像軸進行鏡像反轉(zhuǎn)獲得了額外的增強數(shù)據(jù).3維-U型ConvNet的輸出也是用于集成的概率圖.

1.3 集成方法的細(xì)節(jié)

筆者提出的集成方法不是通過2個模型生成的預(yù)測(即概率圖)的簡單平均來構(gòu)建的，而是在進行嚴(yán)格的測試之后提出了一種“優(yōu)選集成”的策略，此后合并了2個模型的輸出，如圖3所示.

圖3 優(yōu)選集成框架

分別在驗證集上測試已經(jīng)經(jīng)過訓(xùn)練的網(wǎng)絡(luò)，從而獲得相對應(yīng)的圖像分割結(jié)果.其中單個模型的預(yù)測是在線上的MBTSC服務(wù)器上獨立評估，以確定它們分割腫瘤區(qū)域的效果.然后，比較這2個模型的dice分?jǐn)?shù)，以確定對于特定的腫瘤區(qū)域來說，哪個子網(wǎng)絡(luò)更加準(zhǔn)確，優(yōu)于另一個子網(wǎng)絡(luò).

經(jīng)過實驗發(fā)現(xiàn)，3維-ConvNet在分割增強腫瘤方面表現(xiàn)得更好.同時，3維-U型ConvNet能夠更準(zhǔn)確地分割腫瘤核心.最后，在整腫瘤的情況下，結(jié)合來自2個網(wǎng)絡(luò)的預(yù)測優(yōu)于獨立的分割結(jié)果.因此，可以得到3個區(qū)域的最終集成方案：(1)對于腫瘤核心，只使用3維-U型ConvNet的輸出結(jié)果；(2)對于增強腫瘤，只使用3維-ConvNet的輸出結(jié)果；(3)對于整腫瘤，對2個子網(wǎng)絡(luò)的輸出賦予同樣的權(quán)重.注意到預(yù)測階段是在線上服務(wù)器上進行評估，最終得到筆者集成方法的dice分?jǐn)?shù).后面將更詳細(xì)地討論這些結(jié)果.

1.4 一些技巧的介紹

現(xiàn)對一般的深度網(wǎng)絡(luò)中不常使用但在筆者方法中應(yīng)用時效果顯著的一些技巧進行介紹：

(1)z-score歸一化

z-score歸一化，也叫標(biāo)準(zhǔn)分?jǐn)?shù)歸一化，它的形式是一個數(shù)與平均數(shù)的差再除以標(biāo)準(zhǔn)差的過程，如式(1)所示

(1)

其中：μ為均值而δ為方差.通過它能夠?qū)⒉煌烤V的數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一量綱的z-score再進行比較，從而提高了數(shù)據(jù)的可比性而最大程度削弱了數(shù)據(jù)的可解釋性，此外它還可以防止協(xié)方差矩陣病態(tài)，相當(dāng)于將協(xié)方差矩陣轉(zhuǎn)化為了相關(guān)系數(shù)矩陣，更加不容易受到擾動.

(2)伽馬校正

伽馬校正就是對圖像的伽馬曲線進行校準(zhǔn)(計算機成像領(lǐng)域慣以屏幕輸出電壓與對應(yīng)亮度的轉(zhuǎn)換關(guān)系曲線稱為伽馬曲線)以對圖像進行非線性色調(diào)編輯的方法.它可以檢出圖像信號中的深色部分和淺色部分，并使兩者比例增大，從而提高圖像對比度效果，如式(2)所示，括號里面便為伽馬校正的核心.

Iout=(Iin1/gamma)gamma，

(2)

其中：Iout為輸出像素值，Iin為輸入像素值，gamma為校正因子.

(3)dice分?jǐn)?shù)與dice損失函數(shù)

dice分?jǐn)?shù)是一種用于度量集合相似度的函數(shù)，通常用于計算2個樣本的相似度，取值范圍在[0,1]，如式(3)所示

(3)

對于文中的圖像分割任務(wù)而言，X表示具有真值標(biāo)簽的分割圖像而Y表示預(yù)測輸出的分割圖像，分母表示X與Y中像素個數(shù)總和，分子表示X與Y的交集的2倍(乘以2以消除分子中重復(fù)計算X與Y交集像素的影響).

而dice損失表示為

(4)

(4)交叉熵?fù)p失與focal損失函數(shù)

交叉熵?fù)p失函數(shù)的形式如式(5)所示

(5)

其中：d為由布爾型標(biāo)簽向量，y為浮點型激活函數(shù)的輸出向量.可見普通的交叉熵對于正樣本而言，輸出概率越大損失越小.對于負(fù)樣本而言，輸出概率越小則損失越小.此時的損失函數(shù)在大量簡單樣本的迭代過程中收斂比較緩慢且可能無法優(yōu)化至最優(yōu).

focal損失函數(shù)改進1

(6)

首先在原有交叉熵?fù)p失函數(shù)的基礎(chǔ)上加了一個權(quán)重因子，使得更關(guān)注于難以區(qū)分的樣本，其中γ通常取2.

focal損失函數(shù)改進2

(7)

focal損失函數(shù)還引入了平衡因子α，用來平衡正負(fù)樣本之間的比例不均勻.α的取值范圍為0～1，當(dāng)其為0.5時，可以相對增加d=1所占的比例，以此保證正負(fù)樣本的平衡.

2 實驗結(jié)果與分析

2.1 數(shù)據(jù)集

多模態(tài)腦腫瘤分割挑戰(zhàn)[16](multimodal brain tumour segmentation challenge, 簡稱MBTSC)是一個用于評估基于機器學(xué)習(xí)的腫瘤分割方法發(fā)展的平臺，其中的基準(zhǔn)數(shù)據(jù)集包括為參與者提供的膠質(zhì)瘤3D MRI圖像(LGG和HGG皆有之)和專業(yè)醫(yī)生注釋的真值標(biāo)簽，其中所提供的多模態(tài)掃描圖像可用于針對特定分割任務(wù)[6,11]神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和驗證.

使用MBTSC-2019數(shù)據(jù)集[16]進行實驗.MBTSC-2019數(shù)據(jù)集是從19個不同的組織與機構(gòu)獲得的綜合數(shù)據(jù)集，包含每個患者的多模態(tài)MRI掃描，即T1加權(quán)像，增強掃描T1加權(quán)像，T2加權(quán)像和FLAIR，它們的腫瘤亞區(qū)已被分割.這些數(shù)據(jù)經(jīng)過預(yù)處理進行歸一化：它們的顱骨剝離并對齊以匹配解剖學(xué)模板，并以1 mm3的分辨率進行重新采樣.每個序列的維度為240×240×155.訓(xùn)練集的示例圖像及其相應(yīng)的真值標(biāo)簽如圖4所示，其中對于腫瘤區(qū)域的不同模態(tài)進行顏色上的區(qū)分：增強腫瘤以紅色表示，整腫瘤以綠色表示而腫瘤核心以藍(lán)色和紅色表示.由圖4可以看出，手動的標(biāo)簽值突出了3個腫瘤區(qū)域：瘤周水腫、增強腫瘤、壞死和非增強核心.

圖4 MBTSC-2019中的示例圖像

MBTSC-2019中的訓(xùn)練集被用以訓(xùn)練模型，其中的驗證集被用以評估所提出的集成方法.訓(xùn)練集由259名HGG患者和76名LGG患者組成，皆含有經(jīng)過專業(yè)注釋的真值標(biāo)簽.驗證集包括125個未知患病等級的例子，且真實標(biāo)簽并未面向公眾開放.

值得一提的是，筆者提出的方法可以有效提高準(zhǔn)確率，但并不像其他一些方法那樣，在訓(xùn)練階段的實驗中，筆者沒有使用任何外部數(shù)據(jù)集進行預(yù)訓(xùn)練.此外，由于對MBTSC-2019測試集的訪問僅限于參與比賽的人員，因此，基于MBTSC-2019的驗證集來報告測試結(jié)果.首先在驗證集上報告所提出集成方法的分割結(jié)果，然后將其與現(xiàn)有最先進的方法進行比較.

2.2 實驗結(jié)果與分析

2個子網(wǎng)絡(luò)有選擇地在MBTSC-2019訓(xùn)練集(n=335)上進行訓(xùn)練，并在提供的MBTSC-2019驗證集(n=125)上進行測試，然后通過提出的“優(yōu)選集成”方法智能地結(jié)合這些模型的分割圖，并最終給出腫瘤組織類型的最終預(yù)測.最終的結(jié)果顯示筆者的方法用于增強腫瘤分割得到的dice分?jǐn)?shù)為0.749，用于整腫瘤分割得到的dice分?jǐn)?shù)為0.905，用于腫瘤核心分割得到的dice分?jǐn)?shù)為0.847.在圖5～7中顯示了一個對于MRI FLAIR的分割結(jié)果例子，依次為橫切面、冠狀切面與矢狀切面.對于此例，首先分別從2個子模型中生成分割圖，然后顯示最終合并的輸出結(jié)果.對于患者的增強腫瘤、整腫瘤和腫瘤核心的dice分?jǐn)?shù)分別為0.927，0.947，0.924.

圖5 FLAIR的原始橫切面與其結(jié)果 圖6 FLAIR的原始冠狀切面與其結(jié)果 圖7 FLAIR的原始橫切面與其結(jié)果

進一步分析不同的集成技術(shù)，以確定這些方法之間是否有差異及確定結(jié)果最準(zhǔn)確的方法，分析結(jié)果列于表3.

表3 不同分割圖集成方案的dice分?jǐn)?shù)

由表3可知，它再一次證實了1.3節(jié)的結(jié)論，即3維-ConvNet在分割增強腫瘤方面表現(xiàn)得更好；3維-U型ConvNet能夠更準(zhǔn)確地分割腫瘤核心；在整腫瘤的情況下，2個子網(wǎng)絡(luò)的效果較為接近，且合并結(jié)果后有些許的提升.與簡單平均相比，所提出的“優(yōu)選集成”方案具有更好的精度.

2.3 與MBTSC-2019比賽最終排名前3名方法的比較

在MBTSC-2019驗證集上評估了筆者提出的優(yōu)選集成CovnNet方法，然后將其與MBTSC-2019比賽前3名方法的dice分?jǐn)?shù)進行比較，結(jié)果列于表4.

表4 不同方法的dice分?jǐn)?shù)

由表4可以看到，級聯(lián)U型-CovnNet[29]在挑戰(zhàn)中取得了最好的成績，筆者的方法所得結(jié)果在增強腫瘤方面與其出現(xiàn)了顯著的差距，而對于整腫瘤和腫瘤核心的結(jié)果差不了太多；比手袋CovnNet[30]有更好的腫瘤核心結(jié)果，并且在增強腫瘤和腫瘤核心方面只有很小的差距.同樣，與三平面級聯(lián)CovnNet[31]方法相比，筆者的方法能夠更準(zhǔn)確地分割腫瘤核心.

2.4 與其他方法的結(jié)果對比

表5顯示了與文獻[23-27]中方法的比較(按照原文設(shè)置在MBTSC-2019數(shù)據(jù)集上進行驗證).作為對比，對其在訓(xùn)練期間皆沒有使用其他外部數(shù)據(jù)，其中最好的方法表現(xiàn)以下劃線表示.

表5 筆者方法與其他文獻中的方法的dice分?jǐn)?shù)

由表5可以看出，除了增強腫瘤，對比其他在整腫瘤和腫瘤核心的網(wǎng)絡(luò)，所提出的優(yōu)選集成ConvNet可以獲得更好的分割結(jié)果.不選用表現(xiàn)更好的主干網(wǎng)絡(luò)作為子網(wǎng)絡(luò)的原因:首先，從臨床醫(yī)學(xué)的觀點來看，腫瘤核心與整腫瘤的使用頻率和在診斷方面的重要性都大于增強腫瘤的；其次從 MBTSC的規(guī)則來看，得分點的重要性，腫瘤核心>整腫瘤>增強腫瘤；最后，筆者方法的重點在于驗證優(yōu)先集成的方法，因此在這里“奧卡姆剃刀” 也是完全適用的而不必更換為其他更為先進的網(wǎng)絡(luò).

由此看來，通過對3維-ConvNet和3維-U型ConvNet的優(yōu)選集成，在腦腫瘤圖像分割方面呈現(xiàn)了其高效率，最終達到比同期優(yōu)秀方法更好的分割精度.

3 討 論

筆者提出了一個3維-ConvNet和3維-U型ConvNet的集成方法，用于多模態(tài)MRI數(shù)據(jù)上的腦腫瘤分割，通過優(yōu)選集成將2個子網(wǎng)絡(luò)的輸出結(jié)合起來，以在MBTSC-2019驗證集上獲得有競爭力的分類精度.該方法在增強腫瘤、整腫瘤和腫瘤核心方面分別達到0.750，0.906，0.846的平均dice分?jǐn)?shù)，優(yōu)于目前的許多方法.

雖然該方法在整個腫瘤和腫瘤核心類別上表現(xiàn)良好，但增強腫瘤的分割精度仍需改進.文獻[29]中實施了一種有趣的閾值方案，其中如果增強腫瘤小于設(shè)定的閾值，該區(qū)域?qū)⒈粔木医M織取代，此操作顯著提高了增強腫瘤類別判定的準(zhǔn)確性.目前筆者的工作仍然需要完善：首先，所提出的分割集成目前只在MBTSC-2019的官方驗證集上進行評估，后續(xù)可以進一步通過測試單獨的臨床MRI數(shù)據(jù)驗證.其次，筆者沒有對數(shù)據(jù)集進行大量的預(yù)處理且對結(jié)果進行后處理.作為比較，許多文獻提出模型通過強度歸一化[32]和偏差校正[33]等方案以最小化它們數(shù)據(jù)的變數(shù).同樣的后處理方法，如使用條件隨機場[34]，也被證明了可以提高分割精度.盡管仍有上述需要補足與改善的方面，筆者所提出的優(yōu)選集成方法仍在多模態(tài)區(qū)域中表現(xiàn)出高效和魯棒的腫瘤分割精度.在未來的工作中，除了上述提到的方面，筆者計劃在集成中添加一些臨床數(shù)據(jù)以及進一步調(diào)整超參數(shù)來提高模型的效果.

4 結(jié)束語

從多模態(tài)的磁共振圖像中自動而準(zhǔn)確地分割腦腫瘤對于相關(guān)腦癌的診斷與治療相當(dāng)重要.筆者提出了一種優(yōu)選集成ConvNet方法而將在MBTSC-2018上表現(xiàn)良好的3維 ConvNet與同樣在醫(yī)學(xué)分割上表現(xiàn)出色的3維-U型ConvNet網(wǎng)絡(luò)的分割圖進行集成.具體來說，就是對2種模型分別在MBTSC-2019所用的多模態(tài)數(shù)據(jù)集上進行訓(xùn)練，通過分析它們的差異化表現(xiàn)而進行不同的分割路徑.最后在驗證集上對優(yōu)選集成方法進行驗證，結(jié)果表明筆者所提的方法在多模態(tài)的腫瘤圖像上取得了比同期其他方法更優(yōu)的精度.