基于3D深度殘差網絡與級聯UNet的缺血性腦卒中病灶分割算法
2019-12-23 07:19:04王平高琛朱莉趙俊張晶孔維銘
計算機應用 2019年11期
王平 高琛 朱莉 趙俊 張晶 孔維銘
摘 要：為了解決人工勾畫缺血性腦卒中病灶費時費力且易引入主觀差異的問題，提出了一種基于三維（3D）深度殘差網絡與級聯UNet的自動分割算法。首先，為了有效利用圖像的3D上下文信息并改善類不平衡現象，將腦卒中核磁共振圖像（MRI）采樣成圖像塊作為網絡輸入;然后，利用基于3D深度殘差網絡與級聯UNet的分割模型對圖像塊進行特征提取，獲得粗分割結果;最后，對粗分割結果進行精分割處理。在ISLES數據集上的實驗結果表明，該算法的Dice系數可達到0.81，精確度可達到0.81，靈敏度可達到0.81，平均對稱表面距離（ASSD）距離系數為1.32，HD為22.67。所提算法與3D UNet算法、基于水平集算法、基于模糊C均值（FCM）算法和基于卷積神經網絡（CNN）算法相比分割性能更好。
關鍵詞：急性缺血性腦卒中;自動分割;三維;磁共振圖像
中圖分類號：TP391.7
文獻標志碼：A
Segmentation algorithm of ischemic stroke lesion based on
3D deep residual network and cascade UNet
WANG Ping1， GAO Chen1， ZHU Li1，ZHAO Jun1，ZHANG Jing1，KONG Weiming2
1.College of Information Engineering， Nanchang University， Nanchang Jiangxi 330031， China;
2.The 94th Hospital of the Chinese Peoples Liberation Army， Nanchang Jiangxi 330031， China
Abstract：
Artificial identification of ischemic stroke lesion is timeconsuming， laborious and easy be added subjective differences. To solve this problem， an automatic segmentation algorithm based on 3D deep residual network and cascade UNet was proposed. Firstly， in order to efficiently utilize 3D contextual information of the image and the solve class imbalance issue， the patches were extracted from the stroke Magnetic Resonance Image （MRI） and put into network. Then， a segmentation model based on 3D deep residual network and cascade UNet was used to extract features of the image patches， and the coarse segmentation result was obtained. Finally， the fine segmentation process was used to optimize the coarse segmentation result. The experiment results show that， on the dataset of Ischemic Stroke LEsion Segmentation （ISLES）， for the proposed algorithm， the Dice similarity coefficient reached 0.81， the recall reached 0.81 and the precision reached 0.81， the distance coefficient Average Symmetric Surface Distance （ASSD） reached 1.32 and Hausdorff Distance （HD） reached 22.67. Compared with 3D UNet algorithm， level set algorithm， Fuzzy CMeans （FCM） algorithm and Convolutional Neural Network （CNN） algorithm， the proposed algorithm has better segmentation performance.
Key words：
acute ischemic stroke; automatic segmentation; threedimensional; Magnetic Resonance Image （MRI）
0?引言
腦卒中是世界上最常見的腦血管疾病，也是最常見的死亡和致殘疾病之一。腦卒中可分為缺血性卒中和出血性卒中， 其中缺血性卒中的發病率遠高于出血性卒中，占腦卒中總數的87%[1]。缺血性腦卒中是由腦供血障礙引起的腦組織缺氧，并因血流在接下來的幾小時內中斷太嚴重或中斷時間過長導致的腦細胞逐漸壞死，最終形成不可逆的受損梗塞核心。如果血流恢復得足夠快，腦組織可能不會永久損壞，這種圍繞著缺血性損傷核心的潛在可逆性損傷的組織區域，被稱為“缺血半影”[2]。根據腦卒中發病后經過的時間，可將病灶階段細分為急性（0～24h）、亞急性（24h～2week）和慢性（超過2week）[3]。急性缺血性腦卒中的典型癥狀是局灶性神經功能缺損的突然發作，如失語、偏盲、感覺喪失等。這些癥狀可能發展成慢性疾病（例如癡呆、偏癱等），在很大程度上影響了患者的生活并且醫療開銷也會急劇增高。急性期的及時診斷和治療對腦卒中患者的康復和預后至關重要，醫生需要在卒中發作后的3h內快速定位并量化病灶。但人工描繪急性腦卒中病灶費時費力且會引入觀察者間的主觀差異性。自動分割算法可以準確、客觀地評估病灶，且具有可重復、可擴展等優點，現已成為醫學圖像計算領域的一個主要研究熱點。
以往有很多分割腦卒中病灶的方法，基于紋理的特征提取算法就常用于腦卒中病灶的分割中，比如Neethu等[4]先用Gabor濾波方法對圖像進行邊緣和輪廓的提取，再利用區域生長進行腦卒中區域的分割。另一種則是由Karthikeyan等[5]提出的，該算法先用灰度共生矩陣（Gray Level Cooccurrence Matrix， GLCM）從圖像中提取特征，然后再用神經網絡模型對提取的特征進行分類。但基于紋理的特征提取一般只能用來對圖像的局部缺血性腦卒中進行分析;且這些方法用的都是較低級的圖像特征（圖像灰度信息或邊緣信息），對于低信噪比且存在偽影的圖像的分割缺乏魯棒性。近年來也有許多基于隨機森林的腦卒中病灶分割方法[6-8]結果較好，但基于隨機森林的方法較依賴于人工提取特征，步驟相對復雜。當前基于深度學習的算法已廣泛應用到醫學圖像處理工作中，其具有很強的模型能力，并且能夠更好地提取圖像特征，尤其在特征不明顯的圖像中更能體現其優勢。在腦卒中分割中一些深度學習的方法獲得了良好的分割效果，比如，Chen等[9]提出了一種融合了卷積網絡、空洞卷積和全連接條件隨機場的DeepLab算法，且該方法在ISLES（Ischemic Stroke LEsion Segmentation）大賽中獲得了優異的成績。Lucas等[10]提出了一種改進的U型全卷積神經網絡架構。但這些方法都只考慮了二維切片信息，忽略了醫學圖像的三維上下文信息。為了能充分利用三維醫學影像的深度信息，2017年，Kamnitsas等[11]提出了一種多尺度三維卷積神經網絡（Threedimensional Convolutional Neural Network， 3D CNN）的方法實現了對亞急性缺血性腦卒中病灶的三維分割。
本文面向急性缺血性腦卒中的輔助性診斷，將深度學習的方法引入急性缺血性腦卒中核磁共振圖像（Magnetic Resonance Images， MRI）的分析中，提出了一種基于3D深度殘差網絡與級聯UNet的分割新算法。新算法將采樣的MRI圖像塊作為網絡的輸入，可以避免醫學圖像中常出現的類不平衡現象并可得到更細致的分割。新算法在網絡結構中加入了殘差模塊和級聯思想，使其在避免梯度消失問題的同時也可更高精度地分割出病灶。用該算法對ISLES 2015的急性缺血性腦卒中數據進行分割，結果表明本算法可得到較高的分割精度，且具有速度快、無需參考專家先驗知識等優勢，對今后急性缺血性卒中的計算機輔助診斷研究有很大的參考價值。
1?算法流程
本文用基于3D深度殘差網絡與級聯UNet的分割新算法對急性缺血性腦卒中進行病灶分割，該研究方法的整個算法流程如圖1所示， 其中T1c、T2、腦血流量（Cerebral Blood Flow， CBF）、腦血容量（Cerebral Blood Volume， CBV）、擴散加權成像（Diffusion Weighted Imaging， DWI）、血流達峰時間（Time maximum，Tmax）和對比劑峰值時間（Time To Peak， TTP）為七種不同模態的磁共振圖像。
首先，為了有效地利用三維上下文信息并改善類不平衡現象，對訓練集和測試集的MRI數據進行圖像塊采樣操作;然后，將訓練集圖像塊輸入基于3D深度殘差網絡與級聯UNet的分割模型中進行特征提取及訓練，在固定分割模型參數后對測試集MRI數據進行分割;最后，為了優化粗分割結果降低假陽性，對分割結果進行進一步的精分割處理。
2?本文方法
2.1?圖像預處理
2.1.1?數據集介紹
本文方法在缺血性腦卒中挑戰賽ISLES2015（http：//www.isleschallenge.org/ISLES2015/）所提供的數據集上進行了實驗。該數據集提供亞急性腦卒中病變分割掃描影像（SubAcute Stroke Lesion Segmentation， SISS）和急性腦卒中病變分割掃描影像（Stroke Perfusion Estimation， SPES）。其中SPES數據集包含了從伯爾尼大學醫院選取的50例急性缺血性患者的臨床圖像。醫院用一臺3T MR掃描儀（Siemens Magnetom Trio）和一臺1.5T MR掃描儀（Siemens Magnetom Avanto）來獲取DWI和灌注成像（Perfusion Imaging， PWI），最終每位患者都配有T1c、T2、CBF、CBV、DWI、Tmax和TTP七種模態的MRI，各模態間都已配準并進行了顱骨剝離處理，圖像分辨率都為2×2×2。該數據集將30例MRI數據作為訓練集并公開了由權威專家手動標注的病灶標簽如圖2所示，測試集則包含20位患者的七種模態MRI但沒有公開病灶標簽。
2.1.2?圖像塊提取
本文的圖像塊提取工作包括以下3個步驟：
1）強度歸一化。
強度歸一化就是在保留具有診斷價值的灰度差異的同時，為了減小并消除圖像中灰度不一致的現象而進行的圖像轉換方法，以便計算機自動分析處理。通過減去圖像灰度值的均值再除以方差，使其灰度分布達到均值為0、標準差為1的正態分布。
2）圖像塊采樣。
在醫學圖像中一般健康組織占比遠超過病灶，會出現醫學圖像分割中常見的類不平衡問題，為了解決該問題，本文用以病灶為中心的采樣方式[12]將圖像采樣成小塊作為網絡的輸入。這里用NPatch表示提取圖像塊的個數，在本實驗中NPatch=10-000，NLesion表示病灶體素數，T表示采樣圖像塊的中心間隔。訓練集圖像塊提取步驟如下：
①找出訓練集標簽中的病灶區體素，計算體素個數NLesion并記錄病灶體素坐標位置。
②為了使病灶大小不同的病例可以輸入相同數量的采樣圖像塊，本研究將采樣方式分為以下兩種情況。若NPatch
③在確定圖像塊中心體素之后，對這些中心體素進行隨機偏移，隨機移位Δx、Δy的范圍為提取圖像塊大小的一半。最后，以24×24×8的大小提取圖像塊。
以上述方法提取訓練集的圖像塊，可以保證輸入的圖像塊都包含病灶，讓模型可以學習病灶及病灶邊沿區域的特征，同時避免了訓練時出現負樣本擾亂分割模型的情況。測試集圖像塊則以均勻采樣的方式提取。確定測試集圖像塊中心后，以24×24×8的大小提取圖像塊。
3）數據增廣。
數據增廣目的是擴增更多的訓練數據來提高網絡性能并避免出現過擬合現象。通過對提取的圖像塊進行90°、180°、270°的旋轉來使訓練數據擴大。
2.2?分割網絡架構
2.2.1?基于殘差學習的特征提取
殘差學習的基本思想是利用多層卷積擬合一種殘差映射F（x），相對于直接學習目標近似恒等映射更易優化。假設輸入變量為x，殘差學習就是通過“捷徑連接”（shortcut connection）直接把輸入x傳到輸出作為初始結果，輸出結果為：
H（x）=F（x）+x（1）
當F（x）=0時，H（x）=x，也就是所謂的恒等映射。這樣殘差的學習目標不再是一個完整的輸出，而是目標值H（x）和x的差值，即：
F（x）=H（x）-x（2）
殘差學習中的“捷徑連接”可以跳過一個層或多個層，執行恒等映射，該方式可以避免因網絡加深導致的梯度消失等問題，使網絡更好地優化。因此，本文在卷積層中引入殘差學習，殘差塊結構如圖3所示。
殘差塊由兩個核大小為3×3×3的卷積層和一個隨機失活層（dropout）構成。因為PReLU（Parametric Rectified Linear Unit）激活函數可以使網絡更快地過濾出不相關的信息，更適合其訓練[13]，所以在殘差模塊中，用PReLU作為卷積層的激活函數，PReLU激活函數如式（3）所示：
g（x）=max（0，x）+aimin（0，x）（3）
其中，ai表示控制激活函數負部分傾斜的系數。為了加快網絡收斂，卷積層中還加入了批量歸一化（Batch Normalization， BN）處理。在殘差模塊中引入隨機失活層（失活概率設置為0.2），可以使部分神經元在訓練中失活，避免參數過擬合，從而提高網絡的泛化性能。
2.2.2?缺血性腦卒中分割網絡模型
針對缺血性腦卒中病灶特征的復雜性（如病灶邊緣模糊、形態各異），設計了基于3D深度殘差網絡與級聯UNet分割模型，該模型引入了殘差模塊和級聯思想，使網絡在改善優化困難問題的同時進一步提高了分割精度。
本文算法的分割架構如圖4所示，該架構由一個非對稱型殘差UNet和一個三層下采樣UNet級聯構成。
在一級非對稱型殘差UNet中，用殘差模塊進行特征提取，在每個殘差模塊后用一個步長為2、核大小為2×2×2的池化層進行下采樣操作，本架構還在一級殘差UNet的編碼部分設置了Bottleneck層，即在每一個池化層后加入1×1×1的卷積層對輸出特征層通道數進行加倍，幫助完成下一層的殘差學習。一級非對稱型殘差UNet的解碼部分則由卷積層和上采樣層組成，其中上采樣層是核大小為3×3×3、步長為2的反卷積層，通過上采樣操作特征圖的大小可恢復為原尺寸，但上采樣不可恢復池化操作時丟失的空間信息，因此用一個跳躍連接將上采樣的特征圖與編碼器中相同大小的特征圖進行融合，待充分融合底層的空間信息和高層的特征信息后，輸出特征圖。二級UNet則是對一級非對稱型殘差UNet輸出的特征圖進行二次特征提取，即將一級非對稱殘差UNet解碼器中經過兩次上采樣后的特征圖與編碼器中第一層輸出的特征圖級聯到一起繼續訓練。在二級UNet中用3×3×3大小的卷積層和步長為2、核大小為2×2×2的池化層進行編碼，然后用卷積和上采樣進行解碼，為了使網絡參數減少，二級UNet中同樣用像素級相加的融合操作進行跳躍連接。最后，用一個1×1×1的卷積層將多通道數映射為2，再將通道數為2的特征圖送入Softmax分類器中，得到腦卒中病灶分割概率圖（每一個值即代表該像素點屬于病灶的概率值）即分割輸出結果。
2.3?精分割
在得到各圖像塊粗分割結果后，將各圖像塊根據其中心坐標還原回原先位置。但由于圖像塊分割結果是對重合處取概率平均，且以類概率作為病灶區體素值的結果會導致假陽性提高，從而會產生誤差。為了優化分割結果，除去偽缺血點進而降低假陽性，本方法用如下兩個步驟提高分割精度：
1）設定類概率閾值h，將高于閾值處的體素值置為1，低于閾值處的體素置為0，即粗分割結果中會出現一些類概率很低的體素值，而該區域并不屬于病灶區，需設定閾值將其設為健康區域。
2）分割結果中會出現一些小的偽病灶點，所以在步驟1）后可通過計算三維連通域體積來進一步過濾掉偽缺血點。pre（x，y，z）表示經過步驟1）后的分割結果中的體素（健康區：pre（x，y，z）=0，腦卒中病灶區：pre（x，y，z）=1）。v（n）表示pre中第n個連通域的體積，Vmax為pre中體積最大的連通域的體積。若v（n）/Vmax<θ1，將第n個三維連通域移除，即將第n個三維連通域內的pre（x，y，z）置為0。
3?實驗結果及分析
3.1?客觀評估指標
為了評估提出的分割方法性能，本文用Dice系數、精確度（precision）、靈敏度（recall）、平均對稱表面距離（Average Symmetric Surface Distance，ASSD）和霍夫曼距離（Hausdorff Distance， HD）來進行分割精度評價。其中，定義正確分割為病灶的區域為真陽性（True Positive， TP）;定義被錯誤分割為病灶區實則為非病灶的區域為假陽性（False Positive，FP）;定義被錯誤分割為非病灶區實則為病灶的區域為假陰性（False Negative， FN）。Dice是分割結果與病灶標簽間的一個重疊度度量。Dice、精確度和靈敏度的定義如下：
Dice=2TPTP+FP+FN（4）
precision=TPTP+FP（5）
recall=TPTP+FN（6）
雖然Dice、精確度及靈敏度都可用基于體積的重疊度來度量分割結果的準確度，但兩個重疊度大的區域可能在邊界上存在差異，這里用基于距離的度量尺度（平均對稱表面距離和霍夫曼距離）來衡量此差異，且平均對稱表面距離和霍夫曼距離相同，指標越小，代表分割精度越高。設A為病灶標簽表面的點，B為分割結果表面的點。平均對稱表面距離定義如下所示：
ASD（A，B）=∑ a∈Amin b∈B d（a，b）A（7）
ASSD（A，B）=[ASD（A，B）+ASD（B，A）]/2（8）
其中，ASD（Average Surface Distance）為平均表面距離;d（a，b）為A，B點的歐氏距離且ASD（A，B）≠ASD（B，A）。
霍夫曼距離表示病灶標簽和分割結果表面點間的最大距離，可表示分割結果中的離群值。霍夫曼距離：
HD（A，B）=
max{maxa∈Aminb∈B d（a，b），maxb∈Bmina∈A d（a，b）}（9）
3.2?實驗結果與分析
本文使用第2章介紹的ISLES2015 SPES數據集進行實驗，在ubuntu16.04上使用以tensorflow為后端的keras開源庫搭建模型。本文采用自適應優化器Adadelta對損失函數進行優化。訓練時，殘差模塊中的dropout層的隨機失活率設為0.2，訓練批大小取16，epoch設置為12。
對ISLES2015 SPES數據集進行分割的實驗結果表明，本文算法可高精度地分割出腦卒中病灶。經多次實驗，在精分割步驟中設定類概率閾值h=0.4，連通域體積比值θ1=0.2可獲得最優分割結果。為了進一步論證本文算法的優越性，本文還選用了基于3D UNet的算法[14]作為對比實驗，3D UNet在精分割步驟中設定類概率閾值h=0.4，連通域體積比值θ1=0.1可獲得最優分割結果。
而為了進一步分析本文提出的算法，還分別選用了基于水平集算法[15]、基于模糊C均值（Fuzzy CMeans，FCM）聚類算法[16]和基于多尺度CNN算法[17]與本文算法比較，分割指標比較如表1、2所示。
實驗結果表明：1）本文算法得到的Dice、精確度和靈敏度均高于其他四種算法，具有明顯的算法優勢;2）本文算法得到的分割距離系數ASSD和HD在四種算法中最優，說明本文算法的分割結果誤差最小。
由表1可以看出基于水平集的算法分割效果最差，雖然基于水平集的分割方法具有拓撲適應性強的優點，常用于分割拓撲結構復雜的組織器官及病灶，但由于缺血性腦卒中病灶邊界模糊，基于水平集的算法[15]無法準確定位病灶邊緣，分割誤差較大。基于FCM的算法[16]分割性能雖然有所提高，但該算法是先用FCM的算法進行粗分割，再結合基于水平集的算法進行細化分割，步驟相對復雜、分割效率低。基于多尺度CNN的深度學習算法[17]也可獲得較高的分割精度，但該算法用二維的切片圖像作為網絡的輸入，不能很好地利用三維圖像的上下文信息，且基于CNN的分割方法是用逐像素的分類完成分割，這樣會增加網絡計算量，影響分割效率。本文提出的基于3D深度殘差網絡與級聯UNet是一個端對端的訓練，在提升分割精度的同時也可保證分割效率，且與3D UNet的分割結果相比，本文算法的分割精度更高，誤差更小，分割性能更具優越性。在對ISLES2015數據的分割結果中，一些基于隨機森林的方法[18-20]也有較好的分割性能，但隨機森林的方法需要人工確定并提取特征，操作復雜不滿足全自動分割方式，而本文方法可以高精度地自動分割出病灶，無需人工干預。
測試集和訓練集的病灶分割結果圖如圖5、6所示（圖中標注Case17_slice48表示第17個病例中第48層的橫斷面切片）。
圖6將本文方法在訓練集上的分割結果與專家的標注結果進行比較，可以看出本文方法的分割結果與病灶標簽基本重合，可準確定位出病灶位置并高精度地分割出病灶輪廓。但對于小缺血點的分割（測試患者Case27_slice43所示）仍存在不足，需要在后續研究中用改進預處理等方法提高小病灶的分割精準度。綜上所述，本文算法能快速地自動檢測并高精度分割出病灶， 可進一步用于基于MRI的缺血性腦卒中的診斷，幫助醫生更為快速準確地判定患病情況。
4?結語
本文提出了一種輔助醫生診斷急性缺血性腦卒中的新算法。首先對MRI進行圖像塊提取處理，然后用基于3D深度殘差網絡與級聯UNet的分割網絡對采樣圖像塊進行特征提取并得到粗分割結果，最后用基于三維連通域等算法對其進行優化精分割，從而實現對急性缺血性腦卒中MRI的自動分割。本文方法在公開的急性缺血性腦卒中數據集上進行分割，實驗結果表明本文算法獲得的Dice、精確度、靈敏度和分割距離系數都明顯優于對比算法。綜上所述，本文提出的基于3D深度殘差網絡與級聯UNet的新算法具有分割精度高、速度快且不需要人工干預等優點，為急性缺血性腦卒中患者設計了一個特定的腦卒中自動分割模型，可進一步幫助醫生客觀地診斷、評估病灶并規劃治療。
參考文獻 （References）
[1]MOZAFFARIAN D， BENJAMIN E J， GO A S， et al. Heart disease and stroke statistics — 2016 update： a report from the American heart association[J]. Circulation， 2016， 133（4）：338-360.
[2]ASTRUP J， SYMON L， BRANSTON N M， et al. Cortical evoked potential and extracellular K+ and H+ at critical levels of brain ischemia[J]. Stroke， 1977， 8（1）：51-57.
[3]MAIER O， MENZE B H， VON DER GABLENTZ J， et al. ISLES 2015 — a public evaluation benchmark for ischemic stroke lesion segmentation from multispectral MRI[J]. Medical Image Analysis， 2017， 35：250-269.
[4]NEETHU S， VENKATARAMAN D. Stroke detection in brain using CT images[C]// Proceedings of the 2014 Artificial Intelligence and Evolutionary Algorithms in Engineering Systems， AISC 324. Berlin： Springer， 2015：379-386.
[5]KARTHIKEYAN S M. EZHILARASI M. Automatic stroke lesion segmentation from diffusion weighted MRI images[J]. International Journal of Engineering Research & Technology， 2016，7（2）：111-115.
[6]ELLWAA A， HUSSEIN A， ALNAGGAR E， et al. Brain tumor segmentation using random forest trained on iteratively selected patients[C]// Proceedings of the 2016 International Workshop on Brainlesion： Glioma， Multiple Sclerosis， Stroke and Traumatic Brain Injuries， LNCS 10154. Berlin： Springer， 2016：129-137.
[7]SONG B， CHOU C， CHEN X， et al. Anatomyguided brain tumor segmentation and classification[C]// Proceedings of the 2016 International Workshop on Brainlesion： Glioma， Multiple Sclerosis， Stroke and Traumatic Brain Injuries， LNCS 10154. Berlin： Springer， 2016：162-170.
[8]le FOLGOC L， NORI A V， ANCHA S， et al. Lifted autocontext forests for brain tumor segmentation[C]// Proceedings of the 2016 International Workshop on Brain lesion： Glioma， Multiple Sclerosis， Stroke and Traumatic Brain Injuries， LNCS 10154. Berlin： Springer， 2016：171-183.
[9]CHEN L， BENTLEY P， RUECKERT D. Fully automatic acute ischemic lesion segmentation in DWI using convolutional neural networks[J]. NeuroImage： Clinical， 2017， 15：633-643.
[10]LUCAS C， KEMMLING A， MAMLOUK A M， et al. Multiscale neural network for automatic segmentation of ischemic strokes on acute perfusion images[C]// Proceedings of the IEEE 15th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2018： 1118-1121.
[11]KAMNITSAS K， LEDIG C， NEWCOMBE V F J， et al. Efficient multiscale 3D CNN with fully connected CRF for accurate brain lesion segmentation[J]. Medical Image Analysis， 2017， 36：61-78.
[12]GUERRERO R， QIN C， OKTAY O， et al. White matter hyperintensity and stroke lesion segmentation and differentiation using convolutional neural networks[J]. NeuroImage： Clinical， 2018， 17：918-934.
[13]HE K， ZHANG X， REN S， et al. Delving deep into rectifiers： surpassing humanlevel performance on ImageNet classification[C]// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015：1026-1034.
[14]CICEK ， ABDULKADIR A， LIENKAMP S S， et al. 3D Unet： learning dense volumetric segmentation from sparse annotation[C]// Proceedings of the 2016 International Conference on Medical Image Computing and ComputerAssisted Intervention， LNCS 9901. Berlin： Springer， 2016： 424-432.
[15]HAECK T， MAES F， SUETENS P. ISLES challenge 2015： automated modelbased segmentation of ischemic stroke in MR images[C]// Proceedings of the 2015 International Workshop on Brainlesion： Glioma， Multiple Sclerosis， Stroke and Traumatic Brain Injuries， LNCS 9556. Berlin： Springer， 2015：246-253.
[16]FENG C， ZHAO D， HUANG M. Segmentation of ischemic stroke lesions in multispectral MR images using weighting suppressed FCM and three phase level set[C]// Proceedings of the 2015 International Workshop on Brainlesion： Glioma， Multiple Sclerosis， Stroke and Traumatic Brain Injuries， LNCS 9556. Berlin： Springer， 2015：233-245.
[17]HAVAEI M， DUTIL F， PAL C， et al. A convolutional neural network approach to brain tumor segmentation[C]// Proceedings of the 2015 International Workshop on Brainlesion： Glioma， Multiple Sclerosis， Stroke and Traumatic Brain Injuries， LNCS 9556. Berlin： Springer， 2015：195-208.
[18]MCKINLEY R， HNI L， WIEST R， et al. Segmenting the ischemic penumbra： a decision forest approach with automatic threshold finding[C]// Proceedings of the 2015 International Workshop on Brainlesion： Glioma， Multiple Sclerosis， Stroke and Traumatic Brain Injuries， LNCS 9556. Berlin： Springer， 2015：275-283.
[19]MAIER O， WILMS M， HANDELS H. Image features for brain lesion segmentation using random forests[C]// Proceedings of the 2015 International Workshop on Brainlesion： Glioma， Multiple Sclerosis， Stroke and Traumatic Brain Injuries， LNCS 9556. Berlin： Springer， 2015：119-130.
[20]ROBBEN D， CHRISTIAENS D， RANGARAJAN J， et al. A voxelwise， cascaded classification approach to ischemic stroke lesion segmentation[C]// Proceedings of the 2015 International Workshop on Brainlesion： Glioma， Multiple Sclerosis， Stroke and Traumatic Brain Injuries， LNCS 9556. Berlin： Springer， 2015：254-265.
This work is partially supported by the National Natural Science Foundation of China （61463035）， the China Postdoctoral Science Foundation （2016M592117）， the Outstanding Youth Fund Project in Jiangxi Province （2018ACB21038）， the Science and Technology Support Project of Jiangxi Science and Technology Department （20151BBG70057）， the Science and Technology Project of Jiangxi Education Department （GJJ14137）.
WANG Ping， born in 1958， professor. Her research interests include image processing， pattern recognition.
GAO Chen， born in 1993， M. S. candidate. Her research interests include image processing， machine learning.
ZHU Li， born in 1982， Ph. D.， associate professor. Her research interests include image processing， machine learning.
ZHAO Jun， born in 1995， M. S. candidate. Her research interests include image processing， machine learning.
ZHANG Jing， born in 1994， M. S. candidate. Her research interests include image processing， machine learning.
KONG Weiming， born in 1984， M. S. candidate. His research interests include medical image analysis.
