基于深度神经网络的脑肿瘤分割

在本文中，我们提出了一种基于深度神经网络（DNN）的全自动脑肿瘤分割方法。所提出的网络专门针对磁共振（MR）图像中的胶质母细胞瘤（包括低级别和高级别）进行了优化。由于这些肿瘤可以在大脑的任何位置出现，并且具有几乎任意形状、大小和对比度，因此我们探索了一种利用灵活、高容量DNN的机器学习解决方案，同时确保其极高的效率。在此，我们将描述几种我们认为对于获得竞争力性能而言必要的模型选择。特别是，我们探讨了基于卷积神经网络（CNN）的不同架构，即专门为图像数据设计的DNN。我们提出了一种新颖的CNN架构，该架构与传统计算机视觉中使用的架构有所不同。我们的CNN同时利用了局部特征和更全局的上下文特征。此外，与大多数传统的CNN应用不同，我们的网络在最后一层采用了卷积实现的全连接层，从而实现了40倍的速度提升。我们还描述了一种两阶段训练程序，这使得我们可以应对肿瘤标签不平衡带来的困难。最后，我们探讨了一种级联架构，在这种架构中，基本CNN的输出被作为后续CNN的信息来源之一进行处理。在2013年BRATS测试数据集上的结果表明，我们的架构不仅优于目前发表的最佳方法，而且速度提高了30多倍。