基于RAPNet的脑肿瘤MRI图像三维分割

传统深度卷积神经网络方法在全自动脑肿瘤磁共振成像(MRI)图像分割中存在多尺度病变处理能力较弱的问题。对此,使用改进的三维递归残差卷积单元构建特征学习的主干网络,提高了特征学习的空间相关性并缓解因网络模型过于复杂造成的网络退化和梯度弥散。同时,采用具有不同膨胀率的三维空洞卷积和跨模型注意力机制构建分层特征金字塔,结合上下文特征,提高了整体模型对不同大小肿瘤的识别能力。结合多层特征图对肿瘤图像进行辅助预测,获得了最终图像的分割结果。在BraTS 2019数据集上进行实验的结果表明,用残差-空洞金字塔网络(RAPNet)的方法在分割浮肿区域、坏疽区域、增强肿瘤区域的平均Dice相似性系数分别为0.897,0.852和0.823。与现有高效脑肿瘤图像分割方法相比,新方法在学习病变的多尺度特征方面具有更好的效果。