文摘

骨肉瘤是最常见的原发性恶性骨肿瘤在儿童和青少年。它有一个高度的发展中国家的恶性肿瘤,预后较差。医生手动解释说,核磁共振成像(MRI)患有主体性和疲劳的局限性。此外,结构、形状和位置的骨肉瘤是非常复杂的,有很多噪音在核磁共振图像。直接输入原始数据集的自动分割系统会带来噪音,导致模型的分割精度降低。因此,本文提出了一个基于深骨肉瘤的MRI图像分割系统卷积神经网络,这解决了过度拟合问题引起的噪声数据,提高了模型的泛化性能。首先,我们使用的意思是老师来优化数据集。噪音数据放入第二轮训练模型的改进模型的鲁棒性。然后,我们部分图像使用深可分离的u型网络(SepUNet)和条件随机场(CRF)。SepUnet可以段病变区域大小不同的多尺度;CRF进一步优化边界。 Finally, this article calculates the area of the tumor area, which provides a more intuitive reference for assisting doctors in diagnosis. More than 80000 MRI images of osteosarcoma from three hospitals in China were tested. The results show that the proposed method guarantees the balance of speed, accuracy, and cost under the premise of improving accuracy.

1。介绍

骨肉瘤是最常见的原发性骨肿瘤(1),主要是在儿童和青少年。骨肉瘤的发病率在世界上是最高的在所有原发性恶性骨肿瘤(44%)。特别是在发展中国家,由于医疗水平的限制,死亡人数占比在发达国家更高的比例。在中国,尽管总体发病率不高,发病率(2是超过2000人。大多数患者表现出的特征恶性程度高,预后不良。先进的骨肉瘤患者的5年生存率只有20% (3]。如果它可以早期发现和及时治疗,它可以大大提高病人的生存率,减少截肢的概率(4]。因为核磁共振成像(MRI)具有良好的软组织分辨率和高对比度分辨率和多参数、多翼机切片功能可以清楚地显示病变的位置和程度,在检测过程中对人体的损害是最小的。因此,核磁共振成像是一种常见的成像技术所使用的医生诊断和评估骨肉瘤。

大多数发展中国家所遇到的障碍的诊断、治疗和预后的骨肉瘤一般不完美的医疗系统。发展中国家经济落后,医疗资源短缺(5- - - - - -8]。高价的核磁共振成像设备和专业人才的缺乏使骨肉瘤的早期诊断非常困难(9- - - - - -11]。此外,骨肉瘤的诊断医生在这个阶段依赖于手工识别(12- - - - - -14]。每个病人将生产600 - 700核磁共振图像在诊断(12]。在一个大的数据量,通常少于20图像是有效的。大量的冗余数据带来了巨大的工作量给医生,导致效率低下的诊断(13]。最糟糕的是,位置、结构、大小和形状不同的骨肉瘤因人而异,和他们的分布密度不均匀14]。肿瘤组织往往是区别周围的正常组织。特别是在成像,图像不同的骨肉瘤在相同的成像方法也不同(15- - - - - -17]。有时很难区分正常组织和病变区域用肉眼。图像判读的主体性是有限的医生,医生的观念的巨大差异和疲劳,缺乏经验的医生的误诊率上升了(18]。

近年来,医学图像处理技术已经在一定程度上缓解了发展中国家的困难,骨肉瘤的诊断(19]。准确测量区域的肿瘤区域通过计算机技术可以帮助医生在定性和定量分析病变和其他感兴趣的领域,从而极大地提高医疗诊断的准确性和可靠性20.]。现有的医学图像处理技术可以检测肿瘤的位置和优势在一定程度上。然而,位置,形状和规模的肿瘤区域差异很大,和之间的不同程度的亮度图像导致贫穷的解释模式21]。因此,现有技术对图像分割的影响骨肉瘤并没有达到预期的22]。

越来越多的研究使用机器学习的方法来优化分割的效果。许多方法使用许多选择功能学习特征空间的映射关系培训标签,从而提高肿瘤分割的准确性(22]。然而,这些功能需要手动提取,图像的隐式功能不能被认为是,训练一个分类器,提供了许多功能是一个耗时和昂贵的任务(23,24]。同时,结构、形状和位置的骨肉瘤是复杂的,有很多的噪音在MRI图像,这将导致模型overfit [25]。许多研究已经使用了复杂的结构和更深层次优化拟合能力,模型具有较强的泛化。虽然这个方法可以提高模型的准确性在一定程度上,这种方法在分割精度的改善效果通常是小的。此外,过于复杂的结构会使模型的训练缓慢而低效的。

基于上述分析,本文提出了一种osteosarcoma-assisted分割方法(OSDCN)基于卷积神经网络。首先,我们扩大了原始数据集来减少过度拟合的程度,提高模型的泛化性能。同时,我们使用的意思是老师算法来优化数据集减少的影响区别MRI图像的亮度模型训练。此外,我们使用二值化算法屏幕MRI图像的有效面积,减少资源的浪费和计算成本。在模型设计方面,考虑不均匀图像的骨肉瘤,肿瘤形状复杂,我们使用depth-separable u型网络(SepUNet)段肿瘤大小不同的多尺度根据不同深度的特点。此外,我们添加了条件随机场在此基础上,进一步优化肿瘤的分割结果和解决问题比边界模糊。最后,为医生提供更直观的分析结果,我们计算的三个部分的肿瘤区域人体在病人的MRI图像。OSDCN方法诊断中发挥着极其重要的作用,骨肉瘤的治疗和预后。

本研究的具体贡献如下:(1)本文优化和预处理的原始数据集。意思是教师优化算法减轻噪音的影响标签模型训练和补充剂high-loss块的有价值的知识。标准化预处理降低了图像敏感性造成的外部影响因素对模型的肿瘤区域的分割。同时,无效的区域保护,以减少浪费资源和培训成本(2)本文集成深度分离u型网络和条件随机场的图像分割模型,它不仅可以准确地锁定肿瘤区域大小不同的核磁共振图像也进一步定位肿瘤边界,提高分割的精度和模型训练。(3)在肿瘤区域的计算方法,本文采用粒子滤波技术以适应边界曲线,提高边界定位的准确性。同时,复杂的Newton-Cotes算法应用于区域计算,避免了高阶插值的舍入误差和进一步细分区域间隔提高面积计算的准确性(4)我们使用了超过80000个样本收集从第二中南大学湘雅医院进行实验分析。结果表明,我们建议的骨肉瘤分割方法优于其他方法。这个方法在诊断中起着重要作用,骨肉瘤的治疗和预后。医生用诊断的结果作为辅助诊断和治疗的依据,从而减少工作量和时间而不影响诊断的准确性

本文的其他章节的内容组织如下:在部分2,我们给予简要介绍相关工作的研究过程。节3,我们设计一个分割方法对骨肉瘤(OSDCN),然后描述和分析每个子模块。节4我们报告实验的过程和结果,进行评估和分析。在上一节5,我们总结了全文并期待未来的工作。

2。相关的工作

已经有许多人工智能决策系统和图像处理方法,协助疾病的诊断。在骨肉瘤的诊断、处理图像通过计算机技术来分析病人的健康已经成为一个研究热点。下面介绍了一些主流算法。

骨肉瘤细胞有多种形态,病理学家不同意骨肉瘤的分类(幸存的肿瘤,肿瘤坏死,nontumor)。Chang et al。26)提出了一种深与暹罗网络模型(DS-Net)自动分类在苏木精和伊红())染色骨肉瘤组织学图像,进而帮助病理学家来提高诊断的准确性。进一步实现零点误差分类、詹et al。27)提出了一个新颖的卷积神经网络结构组成的多个cnn系列,叫做C-Net。体系结构分为外,中间,和内心的部分。其中,外,中间部分的架构包含六cnn特征提取器来满足内部网络实现恶性和良性肿瘤图像的分类。同样,Anisuzzaman et al。28]提供了一个解决方案的自动检测骨肉瘤转移学习技术使用一个CNN pretrained公共数据集上的骨肉瘤组织学图像。这允许骨肉瘤患者在早期治疗,避免在其他骨骼和软组织更广泛转移。

然而,尤文氏肉瘤的边缘案例和对医学诊断骨肉瘤仍然是一个挑战性的任务。黄等。29日)使用diffusion-weighted成像(驾车)实现精确划定尤文氏肉瘤和骨肉瘤的评估表观扩散系数(ADC)值。在过去十年的深度学习应用到医学图像,回旋的对象检测(COD)也为癌症成为一个成功的方法分析。D 'Acunto et al。30.)基于卷积对象检测方法用于区分骨肉瘤细胞成骨细胞(MSC)。这种方法显示了一个精度接近于1的可用数据集,这有利于有效分析单个细胞,同时避免传统生化方法耗时且可能需要大量的细胞。

评价等级的骨肉瘤患者,郭台铭和吴20.)提出了一个连续的循环卷积神经网络(RCNN)模型结合卷积神经网络和双向封闭的复发性单元(格勒乌),但是这个模式很容易过度拟合问题。同样,估计大小写级坏死率,何鸿燊et al。31日)提出了深度互动学习(拨号),cnn的一个有效的标识方法培训。治疗反应,测定肿瘤坏死面积比整个肿瘤区域,是一种已知的总体生存的预后因素。拨打方法主要用于多级组织分割的组织病理学图像和治疗骨肉瘤的反射性评估。主要的思想是计算像素的数量预测生活和坏死肿瘤的分割模型,并比较其与病理报告,然后估计大小写级坏死率为患者提供更准确和有效的治疗方案。这种方法可以帮助医生在有效提高患者的生存率。

也有许多方法在文献中使用图像处理和计算机技术来预测对骨肉瘤治疗和相应的指标。预测在骨肉瘤化疗反应,以确定治疗方案对骨肉瘤患者尽早,宋et al。32)使用基线18-FDG正电子发射断层扫描(PET)结合机器学习方法扫描图像的纹理特征预测,然后评估化疗的反应能力操作特性曲线下的面积(AUC)。Im et al。33基于]使用大津(MO-PET),梯度法(PETedge),相对阈值方法,和背景阈值方法来段人工幻影的病变。肿瘤代谢卷(MTV)使用MO-PET和PETedge名叫MTV (MO-PET)和MTV (PETedge),分别。MTV (MO-PET)显示了出色的再现性和可以预测EFS在骨肉瘤患者。

此外,Kayal et al。25)使用diffusion-weighted成像(驾车)段骨肉瘤,起着至关重要的作用在骨肉瘤的诊断和预后。Alge et al。34)使用x射线检测肿瘤的大小和位置,结合图片和RNA-seq数据区分骨肉瘤与良性肿瘤。帅et al。35)提出了一个网络体系结构W-net + +基于两级联U-Nets和密集的跳连接实现骨肉瘤病变在CT图像的自动分割。黄等。36)提出了一个完全自动化的骨肉瘤的MRI分割和识别方法。这种方法主要使用条件随机域识别肿瘤与各种形状不规则的结构,取得了良好的效果。

上述分析表明,人工智能技术方面发挥了越来越重要的作用在疾病的诊断和预后。然而,骨肉瘤的MRI图像易受噪声和边缘特征仍难以维护。分割准确性需要进一步改善。以弥补缺乏细分精度,提出一种骨肉瘤的MRI图像分割方法基于卷积神经网络。这个方法可以提高骨肉瘤的准确性检测通过数据集等策略优化、预处理、模型分割和边缘优化。

3所示。方法

由于医患比例严重不平衡的发展中国家,很难医生为病人提供一对一的服务。与此同时,骨肉瘤的诊断和治疗周期长,成本高。许多家庭负担不起医疗费用高,有些人甚至选择停止治疗。大多数发展中国家面临经济和技术挑战,骨肉瘤的诊断和治疗。特别是,骨肉瘤的MRI图像是复杂的,和非常大的数据量。这是非常具有挑战性的依赖医生手动筛选和检测。随着智能医学的发展,图像处理在诊断中发挥着日益重要的作用,治疗和预后的疾病。系统决策的结果可以作为辅助依据医生的临床诊断,减少医生的无效的工作负载,提高医生的工作效率,并为患者提供更多的高质量服务。同时提高模式分类的效率和准确性,我们的方法应该更广泛的实用性和硬件需求。此外,我们希望系统可以为医生提供更直观的分析结果。 Based on this, this paper proposes an osteosarcoma segmentation method (OSDCN) based on a deep convolutional neural network, which is mainly used to assist doctors in identifying MRI images of osteosarcoma, to diagnose osteosarcoma more efficiently and accurately. It can not only accurately identify the MRI image of osteosarcoma and delineate the tumor area in the picture but also calculate the area of the tumor area to provide doctors with more intuitive results. The overall design of this article is shown in Figure1。

本文分为两个部分:3.1节骨肉瘤的MRI图像的分割,和3.2节的计算模型中肿瘤区域面积分割结果。节3.1,我们输入骨肉瘤患者的MRI图像的分割网络,通过它我们可以获得可疑肿瘤的位置和范围。具有良好的效果,随后医生确定软组织入侵的程度和确定治疗效果。

在3.1节骨肉瘤的MRI图像处理后,在部分3.2,边界曲线使用粒子滤波算法拟合,然后,使用多路复用Newton-Cotes肿瘤区域面积计算算法。

我们列举一些本文中使用的符号表1。

3.1。骨肉瘤图像分割

骨肉瘤的分割的整体设计如图1,主要分为三个主要结构:数据集,优化预处理,图像分析和细分。

进一步提高检测的准确性,我们设立了三个策略:(1)数据集的优化。使用苛刻的老师模型将数据集分为Useful-Slices(美国)和Normal-Slices (NS)和输入到网络进行训练(2)预处理。我们进一步进行预处理过滤后的MRI图像减少有效分割面积和减少资源的浪费造成的无效区域(3)图像分析和市场细分。细分模式本文包括两个部分:一个非常可分U形模型(SepUNet)和条件随机场(CRF)。当训练模型,四个方面相同的MRI图像输入到网络,以减少算法的误检测率

3.1.1。数据集的优化

初始数据集有大量的数据。我们观察的数据集,发现并不是所有的切片在一系列训练很好,和有一些图片非常小的肿瘤区域(有些人甚至不包含肿瘤区域)。尽管这些样本包含嘈杂的标签,他们也可以为模型。因此,它是不可行的直接丢弃的这部分数据。然而,由于深层神经网络可以记住所有训练样本,直接使用这些片可能导致模型性能急剧下降。因此,我们需要一种方法来把有用的片(美国)和困难片(NS),能够不断地处理新添加的片集。

为了解决第一个问题,我们设置ResNet-7划分数据集,如图2。ResNet-7由6层剩余模块+一层完全连接模块。剩余模块使用剩余的想法避免消失的梯度。最后完全连接层负责分类。一个 设置最大池层每一层之间以减少特征图的大小。

此外,为了进一步提高分割的准确性和鲁棒性,更好地适应新添加的片集,我们使用苛刻的老师semisupervised算法。把网络的总体体系结构包括两个部分:学生模型和教师模型;也就是说,有两个ResNet-7模型。他们的参数组和 ,分别。原始数据集随机分为(70%)和(30%)有标签 , 没有标签。算法的训练过程如下:(1)输入和输入到学生模型、输出预测的概率 , ;输入到老师模型,输出预测概率(2)计算损失值根据 , ,和损失函数 。根据文献[37),损失值的计算公式 (3)计算损失值根据 , ,和损失函数(4)学生的损失价值模型 ,梯度下降法和参数更新 。老师模型(38)更新参数通过移动平均线(见公式(2))。

其中,因为存在的标签 ,的损失函数损失函数是一个叉,见公式(1)。和没有标签,所以呢需要使用Kullbac-Leibler(吉隆坡)散度相对熵损失函数(39]。相对熵通常是用来描述两个分布的重叠的程度。如果它完全重叠,其值为0,如果它不重叠,其值是1。KL公式如下所示:

然而,KL函数总是有一个不对称的问题。我们希望老师的预测分布模型和学生模型尽可能一致,但它无法判断是谁的预测更准确。因此,我们引用了Jenson-Shannon (JS)算法(23),以弥补不对称的问题,这是计算为:

最后,原始数据集分为两部分,美国的比例是41.7%,和NS的比例是58.3%,他们先后输入分割网络。的目的是让深层网络先学习简单的样品和一个较低的损失价值。研究表明,一个简单的示例更有利于网络培训。

3.1.2。预处理

在骨肉瘤的MRI图像,我们发现包含骨头和肉的有效面积只占图像的一部分,和其他的部分区域不包含任何有效信息,这无疑是一种浪费的网络分割为后续图像。此外,它也可能影响最终结果,因为肿瘤区域的灰度值后t1加权是相似的。因此,我们选择了阻止这种类型的区域。

盾无效区域,如图3所示,分为以下三个步骤:(1)二值化

在MRI图像,灰度值的身体结构通常是光明的,而背景像素不包含有用的信息往往是黑暗。更好的区分开始的实验中,我们使用一个二值化的算法(40)根据其灰度值的像素进行分类。算法的阈值公式如下:

在哪里代表了灰度值,和都是hyperparameters,= 0.67,= 0.33。代表数量的像素灰度值小于 。 代表所有等级值等于或大于平均灰度值的像素。

当我们获得原始图像的阈值,我们将原始图像中的像素大于或等于值作为亮点和像素小于作为黑点的价值。(2)删除孤立亮点,使空心区域

二值化后的图像,有零星的小亮点在一些地区,这就增加了困难的预处理(这些小亮点在骨肉瘤地区不存在),所以关闭操作用于删除它们。

此外,我们发现,一些黑点靠近亮点也属于肿瘤区域,所以我们开始计算这部分像素设置为亮点。(3)确定可靠的区域

骨肉瘤的数据集片大致有三种类型:横断面、冠状面和矢状面。其灰度值分布、损伤区域,和形状都是不同的,所以为了满足病变区域必须包括的前提,我们集 作为亮点协调最大/最小值在水平方向上, 最大/最小值在垂直方向,最后, 是设置为可信区域,没有可信的地区的肿瘤。

3.1.3。图像分析和市场细分

骨肉瘤肿瘤分割网络模型是基于多层深分离卷积神经网络(SepUNet) [U36),如图4。在神经网络中,更深层次的接受域的特性,与大区域越大。SepUNet可以段肿瘤区域大小不同的基于特征的多尺度不同的深度。这就是为什么它能准确地分割对象。SepUNet主要由以下三个结构:(1)编码器。它是提取图像的主要结构特性,共4层。有一个 最大池层每一层之间,它可以减少的大小特征映射到更深入地提取特征。每一层都由一个DoubleConv SeparableBlock。SeparableBlock主要由深度分离卷积。与普通的卷积相比,它可以有更高的深度和精度的前提下相同数量的参数(2)译码器。它主要负责多尺度特性,总共有4层。每一层之间的特性图的大小将通过插值放大2倍。每一层由DoubleConv,用于处理结合上下文特征(3)Skip-Connection。它负责结合浅的特点相同级别编码器与解码器的深层特征。该方法结合上下文的特性是良好的分割效果的关键UNet网络

人工智能模型,旋转的图像是一个崭新的形象。网络市场细分将专注于不同的特性。因此,为了使模型分割结果更准确更健壮,我们把图片放在网络分割后旋转90°,180°和270°。最后分割概率的概率加权平均四个图像。计算公式如下所示:

测试后,重量参数 = 。分段模糊边界一直是一个大问题在图像分割任务。通过观察骨肉瘤的MRI图像,我们可以发现,水肿区,肌肉,和肿瘤区域的图像很近,和灰度值结也是类似的。即使是有经验的医生可能会承认错误,会影响疾病的判断。进一步减少错误检测率,我们使用CRF (CRF)来进一步优化的边界网络分割后的结果。

概率神经网络输出的地图 ,我们可以用下面的公式(7)来描述每个像素的预测价值[36]。 代表每个像素的特征点的概率地图,和 代表每个点预测的标签根据其纹理,灰度值,和其他属性,周围点的概率。

其中,代表了周围的点 , 的功能特性之间的转移 - - - - - -th点周围的点,是国家的特性函数的 - - - - - -th点,是归一化函数。根据文献[36),它的计算如下:

3.1.4。损失函数

骨肉瘤是一种两级分割任务的细分。日志损失函数是一个典型的损失函数。日志功能损失(公元前)公式41)如下所示,每个像素的概率属于骨肉瘤的地区 ;标签是 。

骨肉瘤分割是一个小的目标分割的任务。通常只有一个目标区域的图像,和相应的面积比不大。如果只使用对数损失函数,那么损失梯度更关注面积更大的范畴,因为这个函数有同等程度的关注每个像素,这最终将使模型失去其预测能力。所以我们还需要用骰子损失函数(41),计算每个类别的损失值,可以解决样本不平衡的问题。骰子损失函数如下:

其中,代表真正的骨肉瘤,代表预测骨肉瘤地区,|代表的面积地区。然而,如果我们只使用骰子损失函数由于面积小,预测偏差在骨肉瘤可能导致不稳定的几个像素梯度变化。

称重后的稳定性和准确性的训练,我们选择使用two-loss功能来缓解问题造成的其他损失函数。因此,培训的总损失函数公式如下:

实验后,我们组的重量参数 和 。

3.2。计算肿瘤区域

在骨肉瘤的成像,核磁共振可以清楚地了解肿瘤侵犯的范围。为医生提供更多的参考,我们计算骨肉瘤的肿瘤区域的面积分割导致的MRI图像,如图1。

3.2.1之上。介绍复杂Newton-Cotes

Newton-Cotes算法的复杂(42]计算区域,以避免高阶插值舍入误差,进而进一步细分区域范围,提高计算精度。因此,我们使用复杂Newton-costs算法来计算肿瘤区域的面积。

复杂Newton-Cotes算法的详细描述如下:(1)未知的曲线拟合。输入初始值 的节点及其对应的函数值 ,并获得未知的曲线拟合方程通过下面的插值公式

其中,是插值基函数(42]: (2)把被积函数区间。将积分区间 到十个相等的部分,分割点 ,一步的大小 ;然后将每个子区间分成 平等分一部分;内陆点记录: , , 。根据插值型求积公式(42),具体计算如下:

其中,是柯特斯系数。(3)计算肿瘤区域。计算肿瘤区域的面积

3.2.2。肿瘤面积计算

我们计算病人的肿瘤区域的面积,为医生的临床诊断提供参考。具体的计算步骤如下:

步骤1。测量的边界坐标测试肿瘤区域。随后,获得粒子滤波算法用于平滑过滤输出和进一步提高精度。可以测量精度条件下边界地区的间隔是1毫米点刻标记,并确定每个肿瘤区域在极端点左,和正确的方向,确定不规则区域的最小外接矩形。所示的不规则的肿瘤区域图的下半部分5。

步骤2。确定划分的大小广场。我们用一个小广场 外切直角坐标平面划分成大小相等的小方块,如图所示的小正方形分成图的下半部分5。

步骤3。使用改进的网格法计算病变区域的面积。通过上面的划分方法,三种类型的小方块可以获得:没有重叠,部分重叠,和完全重叠测量区域。

情况1。网格不重叠的测量区域时将不考虑计算区域。

情况2。的重叠区域广场完全重叠测量区域是已知的,并记录 毫米²。

情况3。对于那些广场的部分重叠测量面积,面积计算应该使用复杂Newton-Cotes执行算法。边界曲线在图5上方显示,一边的平方等于间隔段10部分。然后,用在每个单元(即Newton-Cotes公式一次。,subdivide 4 parts again, at this time, the square is equivalent to 40 parts, and the distance between each split node is 0.01 mm). Finally, the size of the overlapping area with the region can be obtained by the compound Newton-Cotes formula, which is recorded as 。图5在上半部分,边界曲线 ,和地区封闭的轴。

步骤4。最后,总结小正方形区域的重叠区域的总面积不规则骨肉瘤区域,计算如下。分割的原理图和拟合过程如图5。

训练后的模型使用核磁共振图像的横截面,冠状、矢状平面的骨肉瘤患者,我们最终将获得三种类型的图像分割结果,肿瘤区域人体的三个部分。在骨肉瘤的临床诊断,肿瘤的大小(T)区域淋巴结是否存在入侵(N),和远处转移的存在与否(M)都是医生的关注的焦点。分割系统不仅可以准确骨肉瘤进行分类,它可以提供肿瘤骨肉瘤的MRI图像的不同部分。医生使用分割的结果和最终的病变区域作为辅助诊断骨肉瘤的基础,这有助于提高诊断的准确性。

4所示。结果

4.1。数据集

本文中的数据是由教育部提供的移动健康Information-China移动联合实验室和第二个中南大学湘雅医院。此外,我们收集了统计的图像和指标近年来医院。从骨肉瘤患者,我们收集了超过80000的MRI图像和其他索引数据从204例骨肉瘤。使模型分割结果更准确、更健壮,我们把图片放在网络分割后旋转90°,180°和270°获得最终的分割结果。病人信息项的具体数量如表所示2。我们选择80%的数据作为训练集,20%的数据作为测试集,总共有204例,164年的训练集,在测试集和40。

4.2。评价指标

评估模型的性能,我们使用精度,精度,还记得,F1-score,联盟(借据)十字路口,骰子相似系数(DSC)作为测量指标。混淆矩阵由真阳性(TP),真正的底片(TN),假阳性(FP),和假阴性(FN)是用来解释网络的性能。其中,TP表明它决心成为一个骨肉瘤,骨肉瘤的区域。FP表明它是被认为是一个正常的区域,但它也是一个正常的区域。FP意味着它是判断肿瘤区域,但事实上,它是一个正常的区域。FN表明它是被认为是一个正常的区域,但事实上,这是一个肿瘤区域。介绍了相关的指标我们定义如下:

准确性(Acc)是所有样本的比例,正确判断。这是定义如下:

精度(前)表示真阳性样本的比例在判断阳性样本。这是定义如下:

回忆(Re)代表的比例正确预测实际积极样本阳性样本,并定义如下:

F1-score (F1)是基于精度和召回。F1的价值越高,模型的鲁棒性越好。其计算公式如下:借据代表之间的相似性预测肿瘤区和真正的肿瘤区。骰子相似系数(DSC)是样本的相似性;范围是0 - 1。当DSC是1,分割的结果是最好的。我们设置作为判断肿瘤区和真正的肿瘤区域。然后,借据代表相交区域的比例在两个领域。DSC代表了两次相交区域的面积比的地区的总和和 。

此外,我们使用参数来表示模型参数的数量,价值越大,需要更多的存储空间模型。浮点运算(失败)是用来测量模型的计算复杂度。在骨肉瘤的MRI图像的分割,我们试图提高召回率(召回)尽可能避免漏诊的发生。

4.3。比较算法

我们使用FCN [43],PSPNet [44],MSFCN [45],MSRN [24],Unet [46),红外系统(47)算法,我们提出了对比实验分析OSDCN。下面简要介绍这些方法:(1)完全卷积网络(FCN)分类图像在像素级和使用跳过结构实现细分割43]。它可以接受输入图像的大小和使用反褶积层upsample最后卷积的特征映射层。本文使用FCN-8s FCN-16s网络和8倍upsampling upsampling和16倍(2)金字塔的核心场景解析网络(PSPNet)是金字塔池模块,可以聚合不同地区的上下文信息,以便在获得全球信息(有很好的效果44](3)MSFCN自动肿瘤分割网络基于multisupervised输出层完整的卷积网络(45]。它使用多个功能通道upsampling部分捕获更多的上下文信息,从而确保准确的肿瘤分割(4)多尺度残余网络(MSRN) (24)基于剩余块介绍卷积核的大小不同,不同尺度的自适应检测图像特征,并获得最有效的图像信息在同一时间。它充分利用低分辨率图像的特点(5)U-net是一个u形结构,利用卷积编码(使用下面),然后解码(upsampling) [46]。它包括两个部分:特征提取和上采用。与其他细分模型相比,它既简单又有效(6)特征金字塔网络(红外系统)使用低级特征的高分辨率和高的语义信息的高级特性来实现预测的效果通过融合这些不同层次的特点(47]。和预测上分别进行融合功能层,有别于传统的特征融合方法。结果表明,在小目标检测红外系统具有更好的性能

4.4。培训策略

之前培训细分模型,提高模型的鲁棒性和避免过度关注意义的特性,我们需要提高我们扩大了数据集的数据集。(减少)的图像缩放,旋转图像,翻转图像。

训练神经网络分割已经训练了300时代。在培训期间,我们将亚当作为优化器,最初的学习速率设置为0.001,当训练达到200时代,学习速度改为0.0001,最后,CosineAnnealingLR用于动态调整学习速率。

4.5。评价分割效果

在我们的模型,我们将数据集划分为Useful-Slices(美国)和Normal-Slices (NS)。如图6,正确的数字是NS形象。肿瘤组织和正常组织之间的界限不够明确,训练过程是费时又费力,所以我们把它分成NS数据集。左边图清晰地显示不同组织之间的分割边界,所以它被列为美国数据集。

模型分割效果的比较之前和之后的数据集处理如图7。左列是地面实况,中间一列是分割的影响图模型数据优化之前,和右列的分割效果优化模型。在优化之前,作为中间列显示,有一个不完整的和不准确的分割。优化后,右列所示,结果是接近真实的标签,和预测结果的完整性和准确性都有所改善。可以看出,优化后的数据集,模型是显著的性能提升。

图8显示的效果分段骨肉瘤的MRI图像每个模型。列(B) - (H)的微型图像中的红色框列(A)。图像的列(B) - (H)的人物8,绿色曲线是真相,红色曲线模型预测损伤面积曲线,和黄色曲线符合绿色曲线,红色曲线。我们可以直观地分析模型的分割性能通过黄色曲线的比例。根据五个骨肉瘤分割的例子,我们可以发现OSDCN可以更好的段骨肉瘤和最适合细分标准。

评估不同的方法更清楚的表现,我们量化分割结果。我们使用不同的评价指标进行比较分析。表3比较不同的方法在骨肉瘤的性能数据集。根据表中的数据3SepUNet模型显示了良好的性能在分段骨肉瘤的任务,和模型是高于其他模型评价指标如DSC、借据,召回,F1-score。模型可以细分结果更准确和可靠。提高模型的准确性时,参数的数量不会增加太多,也确保可以得到准确的结果,医院的医生不需要配备昂贵的硬件设施,如图形处理单元和记忆。

此外,根据表中3和图9,我们可以得到CRF,图像预处理,和数据集的优化有利于提高预测结果,并证明了优化的数据集可以显著提高最终结果和优化SepUNet边界的分割。公关增加了约0.01%,F1,借据,DSC平均增加了0.005%。道具优化后,最重要的DSC指数增加了0.020%,和公关,再保险,F1和借据增长了0.001%,0.006%,0.007%,和0.014%,分别。

图10显示了比较不同模型的参数的数量方法和DSC。结果表明,骨肉瘤的分割模型提出的我们有最好的精度与准确性比第二名高出2%。此外,参数的个数,同时增加的准确性,我们的模型保持了相对较少的参数,只有20.32,远低于134.3米的FCN-16s UNet,仅略高于17.26,这降低了训练的难度。

图11显示的是比较不同的模型方法和DSC的失败。结果表明,SepUNet可以显著提高准确性和不需要增加计算成本过高和实现accuracy-speed权衡。Unet模型的性能略低于我们的方法。但与其他模型相比,其性能也更好。虽然分割的准确性MSFCN MSRN也高,这两个模型需要非常大的计算成本。

每个模型精度的变化如图所示12。我们训练有素的总共300枚炮弹,随机选择50轮(每6轮随机一轮)显示,比较分析。可以看出,后100时代,每个模型的准确性是稳定的。在数值,SepUnet(我们)是最高的,达到95%以上的稳定。排名是准确性SepUnet(我们的)> UNet >红外系统> FCN-8年代≈FCN-16年代> MSRN > MSFCN。同时,我们选择几款比较召回率。如图13从图可以看出,在120时代在训练之前,Unet的召回率,红外系统和MSFCN模型波动很大。之后,所有的模型除了MSRN模型已经达到一个稳定状态。MSRN的数据模型将培训过程中波动在一定程度上。一般来说,我们提出的召回率方法一直是最高的。它可以更好的避免错过了诊断的发生。

随后,我们选择了四个模型以同样的方式和比较F1-score与我们的方法。如图14从图可以看出,虽然我们提出的方法有很大的波动,其F1值始终是最高的。这表明,我们的模型具有更好的鲁棒性。相比之下,每个模型的分割性能表3,该方法有更好的效果在骨肉瘤患者的MRI数据集。这种方法可以为临床医生提供参考。

5。结论

本文从三家医院80000多骨肉瘤的MRI图像在中国作为数据集提出一个骨肉瘤的MRI图像分割模型(OSDCN)基于卷积神经网络。该方法包括数据集优化、图像预处理、模型分割、边缘优化,计算和肿瘤区域。我们比较该方法与经典的分割模型。实验结果表明,我们的方法可以显著提高准确率和不需要增加计算成本过高。之间达到一个平衡精度和速度。

在未来,随着计算机技术的发展,我们将介绍其他信息的方法,如边界和质地,解决分割误差引起的小灰肿瘤组织与周围组织之间的差异,并进一步提高分割精度。

数据可用性

“数据可用性”声明数据用于支持本研究的发现正在禁运而研究成果商业化。请求数据,本文的发表之后的12个月内,将被相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

吴贾和杨避开了同样的工作。

确认

这项工作是支持在中国的湖南省自然科学基金(2019 2018 jj3299 2018 jj3682 jj40440)。