基于3D卷积神经网络的脑肿瘤图像分割

宫浩栋; 王育坚; 韩静园

doi:10.13741/j.cnki.11-1879/o4.2022.04.006

您当前的位置：

首页 >

文章列表页 >

基于3D卷积神经网络的脑肿瘤图像分割

光学图像处理与识别 | 更新时间：2025-09-01

- 基于3D卷积神经网络的脑肿瘤图像分割
- Segmentation of Brain tumor image based on 3D convolution neural network
- 光学技术 2022年48卷第4期页码：472-477
- 作者机构：
  
  1:北京联合大学智慧城市学院物联网与机器人实验室
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目(62172045)
- DOI：10.13741/j.cnki.11-1879/o4.2022.04.006
  中图分类号： R739.41;TP183;TP391.41
- 纸质出版：2022
- 稿件说明：
移动端阅览
宫浩栋, 王育坚, 韩静园. 基于3D卷积神经网络的脑肿瘤图像分割[J]. 光学技术, 2022,48(4):472-477.

Segmentation of Brain tumor image based on 3D convolution neural network[J]. 2022, 48(4): 472-477.
宫浩栋, 王育坚, 韩静园. 基于3D卷积神经网络的脑肿瘤图像分割[J]. 光学技术, 2022,48(4):472-477. DOI： 10.13741/j.cnki.11-1879/o4.2022.04.006.

Segmentation of Brain tumor image based on 3D convolution neural network[J]. 2022, 48(4): 472-477. DOI： 10.13741/j.cnki.11-1879/o4.2022.04.006.

摘要

三维脑胶质瘤磁共振成像肿瘤形状各异、边缘模糊，目前大多数基于2D卷积神经网络的分割方法不能很好的分割三维图像。为了能够准确分割出三维图像中的肿瘤部分，提出一种融合多尺度特征信息的3D卷积神经网络脑肿瘤图像分割方法。利用并行的3D空洞卷积提取特征信息，将不同感受野的信息融合。将Dice损失和BCE损失结合，形成一种新的损失函数并配合恒等映射，进一步提高分割精度。在BraTs2020数据集上对模型进行验证，结果表明，该模型分割的全肿瘤区、核心区和增强区的Dice系数分别为89.1%、83.9%和82.6%。在LGG脑部肿瘤图像数据集上对模型进行验证，结果表明，Dice系数达到了93.3%。所提出的分割方法不仅能够精确的分割三维脑胶质瘤图像，而且同样适用于分割二维脑胶质瘤图像。

Abstract

关键词

Keywords

references

浏览量

310

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多个密集连接型2D-CNNs的脑胶质瘤MRI三维分割

深浅交错式特征融合的人体图像分割方法

基于小波变换和残差网络的磁共振影像分割方法

基于聚类算法的血管直径测量研究

一种眼底黄斑水肿OCT图像分割方法