結合CRF 的DCNN 腦腫瘤MRI 分割方法

唐詩，王福龍

（廣東工業大學應用數學學院，廣州 510520）

0 引言

腫瘤是細胞不可控、非自然地分裂生長所形成的新生物，其中起源于神經膠質細胞的腫瘤被稱為膠質瘤，它是目前腦腫瘤分割研究的重點類型。神經膠質瘤作為腦中最常見的惡性腫瘤，按照分化程度分類，可以分為低級別膠質瘤（LGG）以及高級別膠質瘤（HGG）。醫學影像學的檢查可以提供腫瘤大小、形狀、位置和與周圍組織關系等多種有價值的信息。其中MRI技術因其良好的軟組織對比度和廣泛的可用性，被認為是標準技術。用于膠質瘤診斷的四種標準MRI方法是：T1加權成像技術、增強T1加權成像技術、T2加權成像技術和液體衰減翻轉恢復（FLAIR）。不同的技術的成像針對的病理變化區域不同，T2成像可突出瘤周水腫，FLAIR有助于去分瘤周水腫和腦脊液，而T1和T1C則能明顯觀察到高信號的腫瘤核心。

腦腫瘤及其亞結構的自動分割有可以提供準確和可重復的腫瘤測量，因而在腦腫瘤的診斷、手術計劃和治療評價上有著十分強大的應用前景。但是這種分割極具挑戰性，因為不同的腦腫瘤的大小、形狀、位置是高度可變的。

1 相關研究

近幾十年來，腦腫瘤的自動分割領域的研究十分活躍。大多數分割方法可被分為生成性方法或判別性方法。生成性方法是基于腫瘤或正常組織解剖結構的顯式的參數或非參數模型，在特定的區域將先驗知識推廣到未知圖像。但精確的腦腫瘤概率分布模型很難建立。判別性方法直接學習圖像強度和組織類別之間的關系，從而不需要遵循特定模型的腦腫瘤模式。這些方法認為像素是獨立且相同分布的，因此一些孤立的像素或者小簇可能會被錯誤地分割，哪怕這違背了生理學和解剖學常識。為了克服這些問題，一些研究者將CRF嵌入到分類器中，取得了一定的成功[1]。

近年來，基于深度卷積神經網絡（DCNN）的判別方法在多模態腦腫瘤分割中取得了很多進展。神經網絡具有直接自動從數據本身學習特征的復雜功能[2]。基于這種特性，基于DCNN腦腫瘤分割研究主要集中在網絡體系結構設計上，而不是圖像處理中提取特征。用三維濾波器可以代替二位濾波器進行三維卷積，但計算過于龐大[3]。也可以使用雙通道結構，來獲取不同大小塊的信息[4]。

2 方法

2.1 級聯結構

傳統CNN的一個缺點是他們對每個分割標記的預測是分開的，因而不能有效地模擬空間標簽之間的直接依賴關系。在這里，我們采用級聯的結構，既可以提高CNNs的效率，也更直接地模擬在分割中相鄰標簽的依賴關系。我們將第一個CNN的輸出概率作為第二個CNN的額外輸入。即將第一個CNN的輸出層的與第二個CNN級聯起來。本文采用了一種更為高效的級聯方法，在普通級聯的基礎上，增強了前后CNN的分工，將不同的問題依次級聯解決[5]。第一個CNN僅負責從背景中分割出腫瘤的部分，并將分割結果作為第二個CNN的掩模。第二個CNN則負責將已被分割出的腫瘤的亞結構。

圖1 級聯結構：將前一個CNN的輸出作為的額外輸出

2.2 空洞空間金字塔池化結構（ASPP）

ASPP模型綜合性地使用了空洞卷積[6]。將多個不同參數的空洞卷積層來采樣，并對每個采樣率提取的特征進行單獨的處理，最后融合這些結果，從而獲取各個不同尺度的特征信息，對目標進行精確高效的分類。更多不同參數的空洞卷積可以獲得更多尺度的信息，但過大的參數會導致有效濾波器（即不是作用在填充的零，而是真正有效的特征區域的濾波器）比例變小。為了避免這個問題，可使用改良的ASPP方法，即在一個CNN的深處，進行一次全局平均池化，并與一個1×1卷積和三個不同參數的3×3空洞卷積（每一個卷積后都有批規范化）結果綜合的方法。

2.3 殘差連接

為了使DCNN更有效地訓練，可使用殘差連接，即在網絡中創建繞過參數層的獨立連接。我們的網絡有若干殘差塊，這些塊中的每一個都包含兩個卷積層，和一條繞過它們的殘差連接。殘差塊的輸入將被直接添加到輸出，以鼓勵塊根據輸入來學習殘差函數。這種方法可以使信息傳播更流暢，加速訓練收斂，避免梯度彌散阻礙訓練的加深[7]。

圖2 子CNN的結構，包括：（A）四個殘差塊以及兩個池化層、（B）ASPP結構、（C）CRF

2.4 條件隨機場（CRF）

CRF是一種基于馬爾科夫隨機場（MRF）的模型，MRF是每個節點均滿足馬爾科夫性的無向圖。若一個MRF只有兩個變量，并且其中一個是另一個在給定條件下的輸出，則這樣的MRF被稱為CRF。將CRF耦合到DCNN可以解決傳統的DCNN中分類準確與分割精度對神經網絡深度和池化次數的矛盾。與以往弱分類器中用以平滑帶噪聲的分割圖的短距離CRF不同，現代DCNN往往并不需要進行平滑處理，甚至平滑處理會對結果產生不利的影響。因此，我們不再采用對比度敏感的結合局部CRF勢函數，而是一種整合了全連接CRF的勢函數：這個勢函數包括所有單個像素的勢之和與所有成對像素的勢之和。成對像素的勢又由兩個高斯核構成，它們中的一個取決與位置和強度，另一個只與位置關系有關。第一個核迫使具有相似強度和位置的像素具有相似的標簽，而第二個核只考慮平滑時的空間鄰近性。這樣的勢函數有近似的計算方法，在實際應用便捷高效[8]。

3 實驗與結果

我們選用了Brats2015作為實驗的數據來源。這是一個由MICCAI會議在2015年發起的腦腫瘤分割挑戰，以便評價和比較當前領域最新的方法。公開的數據Brats2015中有220例HGG患者和54例LGG患者的圖像，每一個患者的圖像都包括了T1、T2、T1C和FLAIR四種不同的成像技術。訓練用的圖像被分割到五個標簽：健康的腦組織，壞死、水腫、加強和未加強的腫瘤核。我們采用了TensorFlow來構建我們的網絡，并使用了NiftyNet平臺。選用PReLU函數作為激活函數，PReLU是針對ReLU的一種改進，可避免負數區域信息的消失。使用自適應的矩估計（Adam）來訓練，學習率為10-3，塊大小5。使用Dice損失函數來訓練每個網絡，最大迭代次數為 3×104。實驗在 NVIDIA GTX1060的GPU上進行。

如表1所示，本文方法對腫瘤整體的DSC為0.86、靈敏度為0.89、PPV為0.82，對腫瘤核的DSC為0.75、靈敏度為0.84、PPV為0.82。特別是特異性這一項指標表現地尤為欠缺。但是目標方法在各項數據上均優于對照數據。

表1 綜合數據評價，其中排名第一和第二的方法來自Brats2015的Evaluation Results:Testing

4 分析與結論

采用級聯結構在分割多層次圖像時有著很好的作用，一方面可以降低單個網絡的復雜程度，解決分類準確和分割精度之間的矛盾；另一方面，也將圖像原本的層次結構作為空間約束，符合解剖生理規律。ASPP結構巧妙地應用空洞卷積，在參數數量和計算量不變的前提下獲取不同大小的感受野，進而將不同尺度的信息融合起來。殘差連接有效地避免了因網絡過深而帶來的梯度彌散。CRF補充了像素點與像素點之間的關系，鼓勵強度和位置相似像素被分割到相同的區域，而相差較大的像素分割到不同的區域。本文的方法仍然局限在二維平面中，無法直接對三維結構進行分割，也無法獲取三維中平面外的信息來輔助平面內的分割，因而存在很大的提升空間。

綜上所述，本文提出了一種綜合運用級聯結構、ASPP結構、殘差連接和CRF的DCNN以解決腦腫瘤MRI圖像的分割問題，以較簡單的運算，分層次、多尺度并結合像素與像素之間的關系，完成分割。