HI-Net：用于脑肿瘤分割的高密度Inception 3D UNet

摘要

脑肿瘤分割任务的目的是利用多模MRI图像将脑肿瘤组织分为全肿瘤(WT)、肿瘤核心(TC)和增强肿瘤(ET)三类。虽然人工分割繁琐、耗时、主观，同时也给自动分割方法带来了极大的挑战。由于其强大的学习能力，以全卷积网络为主的卷积神经网络(CNNs)在脑肿瘤分割中显示出良好的应用前景。为了进一步提高脑肿瘤分割的性能，本文提出了高密度 Inception 3D UNet(HI-Net)，该算法通过对残差Inception块中的3D加权卷积层进行叠加分解来捕捉多尺度信息。在特征可重用性的帮助下，本文使用分解卷积层之间的超密集连接来提取更多的上下文信息。本文使用dice损失函数来处理类别失衡。作者在多模态脑瘤分割挑战(BRATS)测试数据集上验证了所提出的架构。在BRATS 测试集上的初步结果表明，通过本文提出的方法，ET、WT和TC的dice得分分别为0.79457、0.87494和0.83712。

1、引言

脑肿瘤分为 原发性和继发性两种类型。原发性脑肿瘤起源于脑细胞，而继发性肿瘤则从其他器官转移到大脑。胶质瘤是一种原发性脑肿瘤。胶质瘤可进一步分为两部分：低级别(LGG)和高级别(HGG)。磁共振成像(MRI)是脑肿瘤分析、监测和手术计划的重要诊断工具。通常，需要几种3D MRI成像方式，如T1、T1加造影剂(T1c)、T2和液体衰减反转恢复(FLAIR)，以强调不同的组织特性和肿瘤扩散区域。

3DUNet是CNN用于脑瘤自动分割的流行架构。编解码子网络的多尺度上下文信息对于精确的脑肿瘤分割任务是有效的。前人提出了分解加权层的体系结构，以节省GPU内存和计算时间。同时，这些体系结构中的大多数使用更大的输入尺寸或级联训练，或新颖的预处理和后续处理策略来提高分割精度。相比之下，很少有架构展示3D卷积层的重要内存消耗。有研究者使用了一个重要的概念，即每个加权层被平行地分成三个分支，每个分支具有不同的正交视图，即轴向、矢状面和冠状面。然而，不同正交视图内和不同正交视图之间的特征之间存在更复杂的组合，这可以显著增加学习表示。受S3D UNet体系结构的启发，本文提出了一种基于不同编解码器的脑肿瘤分割体系结构。

2、网络结构

图1. HI-Net总体架构图

图1显示了本文提出的用于脑瘤分割的HI-Net结构。网络的左侧作为编码器来提取不同层次的特征，而网络的右侧作为解码器来聚合特征和分割掩码。编码器-解码器子网络修改后的残差Inception块具有两个3D卷积层，并且每一层都遵循图2(a)的结构。相反，传统的残差Inception块如图2(b)所示。这项研究利用不同正交视图内部和之间的密集连接来学习更复杂的特征表示。在编码阶段，编码器从多个尺度提取特征，并生成精细到粗略的特征地图。精细的特征图包含较低级别的特征，但包含更多的空间信息，而粗略的特征图则提供相反的信息。跳跃连接用于组合粗细特征图以实现精确分割。与标准的残差UNet不同，编码器子网络在多个层次上使用自重复过程来生成精细特征图的语义图，从而在精细特征图中选择相关区域与粗略特征图连接。

图2. 基础残差Inception块和改进残差Inception块

3、评价标准

DICE系数(DSC)是评价医学图像分割最常用的指标。它用0到1之间的值来衡量分割和Ground Truth之间的重叠度。Dice分数越高，分割性能越好。敏感度和特异度也是常用的统计指标。被称为真阳性率的灵敏度被定义为正确预测的阳性的比例，它测量Ground Truth中的肿瘤区域部分，且这些区域也被分割方法预测为肿瘤区域。特异度称为真阴性率，定义为正确预测阴性的比例，它测量Ground Truth区域中的正常组织区域部分，这些区域也被分割方法预测为正常组织区域。

4、实验结果

作者提出的网络结构的性能通过训练、验证和BRATS 提供的测试集进行评估。表1提供了对本文工作的定量分析。本文已经确保ET、WT和TC在验证数据集上的平均DSC分分别为0.74191、0.90673和0.84293，而在训练数据集上的平均DSC分为0.80009、0.92967和0.90963。同时，本文提出的方法在测试数据集上获得了ET、WT和TC的平均DSC分数，分别为0.79457、0.87494和0.83712。在表1中，也给出了训练、验证和测试数据集的敏感性和特异性。表2显示了本文工作与基线工作的可比性研究。本文提出的HI-Net对于每个肿瘤都比基线工作获得了更高的分数。

表1. BRATS 训练、验证和测试结果及不同指标的平均得分

5、结论

本文提出了一种用于脑肿瘤分割的HI-Net结构。在残差Inception块中，每个3D卷积被分成三个平行分支，每个分支具有不同的正交视图，即轴向、矢状面和冠状面。本文还提出了分离卷积层之间的高密度连接，以提取更多的上下文信息。HI-Net架构确保了所有类型肿瘤的高DSC分数。

如果觉得《HI-Net：用于脑肿瘤分割的高密度Inception 3D UNet》对你有帮助，请点赞、收藏，并留下你的观点哦！