结合CRF 的DCNN 脑肿瘤MRI 分割方法

唐诗，王福龙

（广东工业大学应用数学学院，广州 510520）

0 引言

肿瘤是细胞不可控、非自然地分裂生长所形成的新生物，其中起源于神经胶质细胞的肿瘤被称为胶质瘤，它是目前脑肿瘤分割研究的重点类型。神经胶质瘤作为脑中最常见的恶性肿瘤，按照分化程度分类，可以分为低级别胶质瘤（LGG）以及高级别胶质瘤（HGG）。医学影像学的检查可以提供肿瘤大小、形状、位置和与周围组织关系等多种有价值的信息。其中MRI技术因其良好的软组织对比度和广泛的可用性，被认为是标准技术。用于胶质瘤诊断的四种标准MRI方法是：T1加权成像技术、增强T1加权成像技术、T2加权成像技术和液体衰减翻转恢复（FLAIR）。不同的技术的成像针对的病理变化区域不同，T2成像可突出瘤周水肿，FLAIR有助于去分瘤周水肿和脑脊液，而T1和T1C则能明显观察到高信号的肿瘤核心。

脑肿瘤及其亚结构的自动分割有可以提供准确和可重复的肿瘤测量，因而在脑肿瘤的诊断、手术计划和治疗评价上有着十分强大的应用前景。但是这种分割极具挑战性，因为不同的脑肿瘤的大小、形状、位置是高度可变的。

1 相关研究

近几十年来，脑肿瘤的自动分割领域的研究十分活跃。大多数分割方法可被分为生成性方法或判别性方法。生成性方法是基于肿瘤或正常组织解剖结构的显式的参数或非参数模型，在特定的区域将先验知识推广到未知图像。但精确的脑肿瘤概率分布模型很难建立。判别性方法直接学习图像强度和组织类别之间的关系，从而不需要遵循特定模型的脑肿瘤模式。这些方法认为像素是独立且相同分布的，因此一些孤立的像素或者小簇可能会被错误地分割，哪怕这违背了生理学和解剖学常识。为了克服这些问题，一些研究者将CRF嵌入到分类器中，取得了一定的成功[1]。

近年来，基于深度卷积神经网络（DCNN）的判别方法在多模态脑肿瘤分割中取得了很多进展。神经网络具有直接自动从数据本身学习特征的复杂功能[2]。基于这种特性，基于DCNN脑肿瘤分割研究主要集中在网络体系结构设计上，而不是图像处理中提取特征。用三维滤波器可以代替二位滤波器进行三维卷积，但计算过于庞大[3]。也可以使用双通道结构，来获取不同大小块的信息[4]。

2 方法

2.1 级联结构

传统CNN的一个缺点是他们对每个分割标记的预测是分开的，因而不能有效地模拟空间标签之间的直接依赖关系。在这里，我们采用级联的结构，既可以提高CNNs的效率，也更直接地模拟在分割中相邻标签的依赖关系。我们将第一个CNN的输出概率作为第二个CNN的额外输入。即将第一个CNN的输出层的与第二个CNN级联起来。本文采用了一种更为高效的级联方法，在普通级联的基础上，增强了前后CNN的分工，将不同的问题依次级联解决[5]。第一个CNN仅负责从背景中分割出肿瘤的部分，并将分割结果作为第二个CNN的掩模。第二个CNN则负责将已被分割出的肿瘤的亚结构。

图1 级联结构：将前一个CNN的输出作为的额外输出

2.2 空洞空间金字塔池化结构（ASPP）

ASPP模型综合性地使用了空洞卷积[6]。将多个不同参数的空洞卷积层来采样，并对每个采样率提取的特征进行单独的处理，最后融合这些结果，从而获取各个不同尺度的特征信息，对目标进行精确高效的分类。更多不同参数的空洞卷积可以获得更多尺度的信息，但过大的参数会导致有效滤波器（即不是作用在填充的零，而是真正有效的特征区域的滤波器）比例变小。为了避免这个问题，可使用改良的ASPP方法，即在一个CNN的深处，进行一次全局平均池化，并与一个1×1卷积和三个不同参数的3×3空洞卷积（每一个卷积后都有批规范化）结果综合的方法。

2.3 残差连接

为了使DCNN更有效地训练，可使用残差连接，即在网络中创建绕过参数层的独立连接。我们的网络有若干残差块，这些块中的每一个都包含两个卷积层，和一条绕过它们的残差连接。残差块的输入将被直接添加到输出，以鼓励块根据输入来学习残差函数。这种方法可以使信息传播更流畅，加速训练收敛，避免梯度弥散阻碍训练的加深[7]。

图2 子CNN的结构，包括：（A）四个残差块以及两个池化层、（B）ASPP结构、（C）CRF

2.4 条件随机场（CRF）

CRF是一种基于马尔科夫随机场（MRF）的模型，MRF是每个节点均满足马尔科夫性的无向图。若一个MRF只有两个变量，并且其中一个是另一个在给定条件下的输出，则这样的MRF被称为CRF。将CRF耦合到DCNN可以解决传统的DCNN中分类准确与分割精度对神经网络深度和池化次数的矛盾。与以往弱分类器中用以平滑带噪声的分割图的短距离CRF不同，现代DCNN往往并不需要进行平滑处理，甚至平滑处理会对结果产生不利的影响。因此，我们不再采用对比度敏感的结合局部CRF势函数，而是一种整合了全连接CRF的势函数：这个势函数包括所有单个像素的势之和与所有成对像素的势之和。成对像素的势又由两个高斯核构成，它们中的一个取决与位置和强度，另一个只与位置关系有关。第一个核迫使具有相似强度和位置的像素具有相似的标签，而第二个核只考虑平滑时的空间邻近性。这样的势函数有近似的计算方法，在实际应用便捷高效[8]。

3 实验与结果

我们选用了Brats2015作为实验的数据来源。这是一个由MICCAI会议在2015年发起的脑肿瘤分割挑战，以便评价和比较当前领域最新的方法。公开的数据Brats2015中有220例HGG患者和54例LGG患者的图像，每一个患者的图像都包括了T1、T2、T1C和FLAIR四种不同的成像技术。训练用的图像被分割到五个标签：健康的脑组织，坏死、水肿、加强和未加强的肿瘤核。我们采用了TensorFlow来构建我们的网络，并使用了NiftyNet平台。选用PReLU函数作为激活函数，PReLU是针对ReLU的一种改进，可避免负数区域信息的消失。使用自适应的矩估计（Adam）来训练，学习率为10-3，块大小5。使用Dice损失函数来训练每个网络，最大迭代次数为 3×104。实验在 NVIDIA GTX1060的GPU上进行。

如表1所示，本文方法对肿瘤整体的DSC为0.86、灵敏度为0.89、PPV为0.82，对肿瘤核的DSC为0.75、灵敏度为0.84、PPV为0.82。特别是特异性这一项指标表现地尤为欠缺。但是目标方法在各项数据上均优于对照数据。

表1 综合数据评价，其中排名第一和第二的方法来自Brats2015的Evaluation Results:Testing

4 分析与结论

采用级联结构在分割多层次图像时有着很好的作用，一方面可以降低单个网络的复杂程度，解决分类准确和分割精度之间的矛盾；另一方面，也将图像原本的层次结构作为空间约束，符合解剖生理规律。ASPP结构巧妙地应用空洞卷积，在参数数量和计算量不变的前提下获取不同大小的感受野，进而将不同尺度的信息融合起来。残差连接有效地避免了因网络过深而带来的梯度弥散。CRF补充了像素点与像素点之间的关系，鼓励强度和位置相似像素被分割到相同的区域，而相差较大的像素分割到不同的区域。本文的方法仍然局限在二维平面中，无法直接对三维结构进行分割，也无法获取三维中平面外的信息来辅助平面内的分割，因而存在很大的提升空间。

综上所述，本文提出了一种综合运用级联结构、ASPP结构、残差连接和CRF的DCNN以解决脑肿瘤MRI图像的分割问题，以较简单的运算，分层次、多尺度并结合像素与像素之间的关系，完成分割。