[4区 2019]
数据集：BraTS2018
脑瘤是全世界最致命的癌症之一。胶质瘤是最常见的原发性颅脑肿瘤，是由大脑和脊髓中的胶质细胞癌变引起的（Bauer等人，2013）。在病理学上，根据肿瘤细胞的恶性程度，胶质瘤可分为低级和高级（Cho and Park,2017; Wang et al., 2018b）。低级别胶质瘤主要表现为低速的细胞分裂和增殖，而高级别胶质瘤的特点是快速的细胞分裂和增殖，并伴随着血管生成、缺氧和坏死（Gerlee and Nelander, 2012; Bogda ́nska et al, 尽管到目前为止，卫生保健方面已经取得了重大进展，但除了少数低级别胶质瘤可以通过手术完全切除外，绝大多数胶质瘤是无法治愈的。根据肿瘤细胞的严重程度，胶质瘤可进一步分为不同的肿瘤亚区，如水肿、非增强型肿瘤和增强型肿瘤。磁共振成像（MRI）是最常用和最有效的无创辅助诊断工具（Wen等，2010；Yang等，2018），为制定治疗方案提供参考（Mazzara等，2004）。脑肿瘤通常用不同的核磁共振成像方式进行成像，这些图像通过图像分析方法进行解释（Bauer等，2013）。MRI序列通常包括四种不同的模式。T1加权，T2加权，对比后的T1加权，以及流体衰减反转恢复（FLAIR）。 在临床诊断和治疗中，不同的MRI模式被用于不同的诊断任务。然而，对于临床医生来说，用MRI诊断疾病仍然是一项艰巨的任务，因为脑肿瘤的大小、形状、规则性、位置和异质性表现存在很大的差异（Dong等人，2017）。因此，临床上非常需要对脑肿瘤进行自动定量分析和准确分割，以帮助医生做出准确的诊断。
CNN已经成为一种突出的深度学习方法，并在不同的任务中取得了一系列的突破，包括计算机视觉（Krizhevsky等人，2012；Longet al.，2015；Ren等人，2015）。CNN的成功归功于其独立学习深度特征的能力，而不是依赖人工特征。在强大的计算能力和大量注释提供的历史机遇下，CNN的发展是爆炸性的。最初的LeNet5（LeCun等人，1998）于1998年提出，有五层，建立了现代CNN的结构。Krizhevsky等人（2012）提出了一个经典的CNN结构，称为 "AlexNet，并取得了历史性的突破。AlexNet的巨大成功刺激了对CNN的新研究。ZFNet（Zeiler和Fergus，2014）、VGGNet（Simonyan和Zisserman，2014）、GoogLeNet（Szegedy等人，2015）和ResNet（He等人，2016）相继提出，层数更多，性能更好。Huang等人（2017）使用了更激进的密集连接机制，最大限度地提高信息流。所有这些CNN的研究使得将神经网络应用于医学影像处理成为可能。
最近的报告显示，CNN的表现优于最先进的医学图像分析（Li等人，2017；Lin等人，2018）。基于MRI的脑肿瘤分割是一项仍需广泛关注的任务。现有的脑瘤自动分割方法是多种多样的。DeepMedic（Kamnitsas等人，2016b）被设计为一个具有11层的双路径三维（3D）网络，可以同时处理不同尺度的图像，并将结果与全连接层结合起来。Kamnitsas等人（2016a）和Castillo等人（2017）通过增加剩余连接和平行路径进一步改进了DeepMedic的架构。U-Net（Ronneberger等人，2015年 Kayalibay等人(2017)和Isensee等人(2017)通过结合定位路径中不同层次的分割层，采用了深度监督。Iqbal等人(2018)增加了U-Net的层数，并用Dice损失训练网络。 Le和Pham（2018）使用U-Net架构提取特征并将其放入ExtraTrees分类器中。Zhao等人（2018）整合了完全卷积神经网络（FCN）和条件随机场（CRF），并使用从轴向、冠状面和矢状面获得的二维（2D）图像斑块训练三个模型。为了处理类的不平衡问题，Wang等人（2017）提出了一个用于脑肿瘤分割的三层级框架。三个类似的网络被用来分割整个肿瘤（所有病变，包括水肿、非增强型肿瘤和增强型肿瘤），以及肿瘤核心（除水肿外的所有病变）。Zhou等人（2018）借鉴了病变从粗到细的医学图像分割方法，提出了一个单一的多任务CNN，可以学习不同类别之间的相关性。当不同的任务根据不同的训练数据集进行训练时，可以共享部分模型参数，以利用类别之间的潜在相关性。
我们提出了一种基于CNN的三维分割算法，即NDN，它可以处理多模态图像。在U-Net架构中，残留块被堆叠起来，而不是简单的卷积层，以简化优化。在NDN中使用的SE块融合了全局信息，并自适应地从每个通道学习重要信息。一个新的区块，即用扩张嵌套的剩余区块（RnD）扩大了感受野，避免了网格效应。RnD块可以通过使用扩张卷积来丰富浅层的信息，同时通过使用残差连接在快速扩张的感受野中保留详细的信息。采用级联训练策略对三个任务进行单独训练，以处理类的不平衡问题。
网友评论