基于深度學習的腦腫瘤MRI圖像分割研究

摘要：手動分割腦腫瘤不僅耗時，還受主觀因素影響。通過不同深度學習模型在腦腫瘤MRI圖像上進行自動分割，可篩選出最佳模型，提高分割精度并輔助臨床決策。該研究采用了3DU-Net、3DResUNet、V-Net和TransUNet四種模型，在包含1251例患者腦腫瘤MRI圖像的BraTS2021公開數據集上進行訓練和驗證。所有模型均對預訓練參數進行了調整，并利用Dice系數（DSC）和95（HD95）分位豪斯多夫距離評估模型性能。最終，TransUNet模型在整個腫瘤（WT）、腫瘤核心（TC）和增強腫瘤（ET）區域的所有指標表現均為最佳，兩個指標分別達到87.35%、83.29%、82.09%和3.01cm、5.11cm、5.56cm。結果表明，深度學習模型在腦腫瘤圖像分割上的應用具備較高準確性和有效性，將深度學習與醫學圖像結合，實現了人工智能與醫療的互利共贏，為醫生提供了極具價值的輔助手段。

關鍵詞：深度學習；腦腫瘤；MRI圖像；人工智能；圖像分割

中圖分類號：TP391

文獻標識碼：A

文章編號：1009-3044（2025）20-0001-04

0引言

腦腫瘤是中樞神經系統中最常見且最具侵襲性的惡性腫瘤之一[1]。其種類繁多，如神經膠質瘤、腦膜瘤等，不同類型在生長速度、侵襲性及治療效果方面存在顯著差異，使得診斷和治療面臨較大挑戰。世界衛生組織（WorldHealthOrganization，WHO）依據腦腫瘤對人體的危害程度，將其分為四個等級。其中，一級和二級屬于低級別膠質瘤（LowGradeGliomas，LGG），三級和四級則為高級別膠質瘤（HighGradeGliomas，HGG）[2]。低級別膠質瘤（LGG）通常以良性形式生長，通常不擴散到其他部位。手術或化療后，其復發率較低，患者預后相對較好。相比之下，HGG多由LGG惡化而來，增殖速度快，并可侵襲周圍正常腦組織，增加手術難度。惡性膠質瘤患者的平均生存期一般不超過兩年[3]。

隨著醫學成像技術的快速發展，核磁共振成像（MagneticResonanceImaging，MRI）在腦腫瘤的臨床診斷與治療中具有重要應用價值，已成為目前廣泛應用的檢測手段之一。MRI通過獲取腦部組織的詳細信息，實現對病理變化及組織形態的精準判斷，使醫生能夠更直觀地分析病灶結構，提高手術的成功率。其中，T1加權（T1-weighted，T1）、T2加權（T2-weighted，T2）、T1加權對比增強（contrast-enhancedT1-weighted，T1-CE）和液體衰減反轉恢復（FluidAttenu?atedInversionRecovery，FLAIR）是四種常見的診斷性MRI模式[4-5]。

隨著計算機技術的飛速發展，深度學習在腦腫瘤圖像分割中的應用日益廣泛。首先，基于Ronneberger等[6]提出的對稱網絡U-Net，U-Net是一種基于卷積神經網絡（CNN）的深度學習模型，對醫學圖像分割適應能力較好，廣泛應用于醫學圖像分割任務中。Dong等[7]通過在編碼器和解碼器的所有卷積層使用零填充，確保不同層級的輸出尺寸保持一致。Yang等[8]將U-Net數，以實現與樣本結合預處理MRI腦腫瘤圖像的精準分割、優化算法和交叉熵損失函。

本文采用多種具有代表性的深度學習圖像分割算法，并在醫學圖像計算與計算機輔助干預協會（MICCAI）提供的腦腫瘤MRI圖像公共數據集BraTS2021[9]上進行訓練與驗證，以實現對腦部MRI圖像中腫瘤部分的分割。所采用的模型包括3DU-Net、3DResUNet、V-Net和TransUNet。通過模型對比，期望篩選出在腦腫瘤MRI圖像分割任務中實現最佳性能和效率的網絡模型。

1本文方法介紹

1.13DU-Net

3DU-Net[10]是U-Net架構的一個變體，在編碼路徑中，每個層次首先應用兩個3×3×3卷積，卷積后依次接入批量歸一化（BatchNormalization，BN）與ReLU激活，然后通過2×2×2的最大池化（步幅為2）實現下采樣；在解碼路徑中，每個層次先進行2×2×2的上卷積上采樣（步幅為2），隨后接兩個3×3×3卷積及BN+ReLU激活操作，以恢復高分辨率特征。通過與編碼器中對應分辨率層的跳躍連接，能夠有效融合高分辨率信息。

1.23DResUNet

3DResUNet[11]是一種用于劑量預測的深度學習模型，結合了3DU-Net的編碼解碼結構和ResNet的殘差連接，以增強特征提取能力并避免梯度消失問題。其殘差連接有助于信息的高效傳遞，提升模型對細粒度信息的捕捉能力。此外，批量歸一化提高了訓練穩定性，加速收斂，同時ReLU激活函數增強了非線性表達能力。整體而言，該3DResUNet在保證高精度劑量預測的同時，具備更強的魯棒性和泛化能力。

1.3V-Net

V-Net[12]是在U-Net基礎上加入殘差學習結構，以三維卷積為基礎構建用于分割三維圖像的模型，其架構由兩大部分構成：壓縮（編碼）路徑和解壓縮（解碼）路徑，能夠很好地處理病灶和背景之間強烈的不平衡問題，且處理時間明顯縮短，并在MRI圖像分割中表現出良好性能。

1.4TransUNet

TransUNet[13]結合了CNN與Transformer架構作為編碼器，以充分發揮CNN對高分辨率空間特征的提取能力，同時利用Transformer處理全局上下文信息。在編碼過程中，輸入圖像經三層卷積進行下采樣，CNN作為特征提取器生成特征圖，隨后通過圖像塊嵌入與位置編碼操作，將數據輸入至包含12層Transformer模塊的網絡結構。解碼階段采用常規轉置卷積進行上采樣，以逐步恢復圖像空間分辨率，并通過跳躍連接融合編碼器CNN部分對應層級的特征信息，以提升分割精度。

2結果

2.1實驗數據集

本研究采用MICCAI提供的BraTS2021數據集，該數據集包含1251名患者的MRI圖像，每個樣本由155Flair張和240T2×四種模態240的圖像組成，并附有真實分割標簽。MRI數據包含。T1數據標、T1ce、注涵蓋四個部分，包括非增強腫瘤及壞死區域、水腫區域、增強腫瘤及背景。分割任務中，通常將這些區域劃分為三個主要部分：1）整個腫瘤（WT），即去除背景后的所有病灶區域；2）腫瘤核心（TC），由壞死組織、非增強及增強腫瘤構成；3）增強腫瘤（ET），僅由增強病灶組成。

此外，本文對上述數據集進行切片處理，并將不同模態信息合并，形成多通道數據，并進行數據增強操作，包括翻轉、旋轉、裁剪等，最終對這些圖像進行歸一化處理。本次實驗以4∶1的比例將數據集劃分為訓練集和測試集。

2.2實驗配置

本次實驗硬件環境：CPU為AMDEPYC7302，內存32G，GPU為NvidiaRTX409024G，具備出色的計算性能和高帶寬，極大加速了深度神經網絡的訓練過程，顯著縮短了訓練時間。軟件環境：Windows10，Py?torch1.10.1，Python3.8；參數設置：Epoch為100，Batch-size為8，學習率為1e-3，優化器選擇Adam。

2.3損失函數

針對數據訓練樣本中的類不平衡問題，為了能夠更精確地分割腦腫瘤圖像，減少外界因素的影響，本文采用二元交叉熵損失函數和Dice損失函數[14]相結合的混合損失函數作為本次實驗模型訓練的損失函數，以達到更好的模型性能效果。

二元交叉熵損失函數公式為：

式中：N為總的訓練數據，yi和pi分別為第i張圖像的真實正樣本數據和預測正樣本數據，其中i∈N。該損失函數在優化過程中通過最小化預測誤差，提高分類模型的準確性，通常與Sigmoid激活函數配合使用，廣泛應用于醫學圖像分割任務中。

Dice損失函數公式為：

式中：N為總的訓練數據，yi和pi分別為第i張圖像的真實正樣本數據和預測的正樣本數據，φ代表一個隨機噪聲，用于提高實驗模型的泛化能力。Dice損失函數常用于學習網絡參數，使預測值更接近真實值。

綜上，混合損失函數定義為：

2.4評價指標

評價指標主要用于評估圖像分割算法的性能，包括分割的準確性和一致性。本文從以下兩個評價指標對模型進行評價：Dice相似系數（DiceSimilarityCo?efficient，DSC）常用于比較圖像分割結果與真實標注之間的重疊程度。DSC的取值范圍從0到1，其中0表示沒有重疊，1表示完全重疊。較高的DSC值表明分割結果與真實標注非常接近，而較低的值則表示分割效果較差；95分位豪斯多夫距離（HausdorffDistance，HD95）用于衡量兩組點集之間的最大偏差，對極端值異常敏感，常用于評估分割所得腫瘤邊界與真實邊界之間的最大偏離程度。

Dice相似系數公式如下：

式中：A表示某一類別真實標注的體素集合，B表示預測的該類別體素集合。∣A∩B∣表示A和B的交集大小，即正確識別的體素數。∣A∣和∣B∣分別是A和B的大小，即各自包含的體素數。

HD95的公式為：

式中：X和Y分別代表兩個邊界點的集合，它們分別對應于圖像分割的預測結果和真實結果的邊界點。HD95值的大小直接反映了分割結果的邊界準確度：HD95值越小，表明分割結果與真實結果的邊界越接近，即分割效果越精確。

2.5實驗結果分析

1）損失函數。

不同網絡模型在訓練期間的損失值隨訓練次數的增加變化情況如圖1所示。從整體趨勢來看，4種模型均表現出訓練初期損失迅速下降、后期趨于平穩的變化模式，說明它們都能夠有效地從隨機初始或預設權重中學習到有用的特征。各曲線在前10個epoch左右普遍出現較大幅度的下降，體現了模型對數據特征的快速捕捉能力；此后，隨著學習率衰減以及網絡對數據分布的逐步適應，曲線波動減小，并最終收斂到一個相對穩定的水平。從模型間的對比來看，3DResUNet體現了殘差結構和和TransUNetTransformer-CNN在后期曲線波動幅度相對較小混合架構對網絡，訓練的穩定作用；而3DU-Net和V-Net在部分階段存在更明顯的波動，說明它們在應對局部復雜樣本或特征時需要更多迭代來穩定參數。

總體而言，所有模型均完成了從高損失到低損失的收斂過程，但在收斂速度和后期穩定性上略有差異，需要結合后續的評估指標與可視化分割效果進行綜合評價。

2）對比實驗結果。

本文選擇了3DU-Net、3DResUNet、V-Net和TransUNet四種網絡模型進行對比實驗，其結果如表1所示。從整體性能來看，TransUNet在Dice相似系數方面表現最佳，分別在WT（87.35%）、TC（83.29%）和ET上也表現出最低值（82.09%）上均達到最高分，表明其在腫瘤區域的邊界預測上，同時在HD95評估指標更加精準。TransUNet能夠通過CNN提取局部特征，并結合Transformer進行全局建模，有效彌補了U-Net結構的局部信息缺失問題，使其在DSC和HD95指標上均表現優異。

3DU-Net相較于其他三個模型，在所有評估指標上均處于劣勢，可能由于其僅依賴U形結構的編碼-解碼架構，缺乏全局特征提取能力，導致對復雜腫瘤區域的邊界信息恢復較差。而3DResUNet在WT和TC上的表現優于3DU-Net，但ET方面仍未能取得最佳，可能是由于ET較難分割，僅靠殘差連接可能不足以彌補信息損失。V-Net在HD95指標上表現較好，說明其特有的體素級分割策略在邊界識別方面較強，但在TC分割上仍然存在一定不足，可能是由于其對不同類型腫瘤區域的特征區分能力有限。

圖2展示了4種網絡模型在腦腫瘤圖像分割上的對比結果，直觀地呈現了各模型的分割效果。觀察圖像可知，各模型均能定位腫瘤不同區域并勾畫出大致輪廓；在形狀復雜或邊緣模糊的區域，TransUNet得到的分割結果與真實標簽最為吻合，這與表1中的數據一致。

綜上所述，這些結果驗證了基于Transformer的改進方法在腦腫瘤分割任務中具有明顯優勢，尤其是TransUNet更精確的邊界描述在保持較高分割重疊率的同時，從而為臨床診斷和治療提供了有，能夠提供力支持。

3結論

本研究探討了不同深度學習模型在腦腫瘤MRI圖像分割中的有效性，驗證了多模型方法的潛力。實驗選取了3DU-Net、3DResUNet、V Net以及TransUNet四種模型，對BraTS2021數據集進行訓練和測試。綜合指標及分割結果顯示，TransU?Net在各項評估指標中均取得最優效果，其Dice系數在整個腫瘤（WT）、腫瘤核心（TC）和增強腫瘤（ET）區域分別達到87.35%、83.29%和82.09%，同時HD95值最低，體現出模型在分割任務中的高效與準確。盡管其他三種模型也表現不俗，但各項指標均低于TransUNet。

盡管本研究中的所有模型分割效果良好，結果表明模型的分割精度仍有進一步提升的空間，未來可探索更有效的多模態學習方法，以提高對復雜腫瘤的分割準確性。

總而言之，本研究證明了深度學習在腦腫瘤MRI圖像分割任務中的有效性，深度學習為圖像分割提供了堅實的技術支撐，在生物醫學領域展現出巨大的應用潛力。通過對高效神經網絡分割模型的深入研究，能夠推動計算機輔助醫療診斷的發展，從而助力臨床決策。

參考文獻：

[1]梁志遠，黃芝瑛，耿興超，等.原發性腦腫瘤的臨床前疾病模型研究進展[J].中國新藥雜志，2023，32（8）：787-792.

[2]LOUISDN，PERRYA，WESSELINGP，etal.The2021WHOclassificationoftumorsofthecentralnervoussystem：asummary[J].Neuro-oncology，2021，23（8）：1231-1251.

[3]黃春，姜浩芝.核磁共振與CT檢查對顱內腫瘤的鑒別診斷價值[J].實用醫學影像雜志，2021，22（6）：586-588.

[4]VANKDOTHUR，HAMEEDMA.BraintumorMRIimagesidentificationandclassificationbasedontherecurrentconvolu?tionalneuralnetwork[J].Measurement：Sensors，2022，24：100412.

[5]RAJINIKANTHV，KADRYS，NAMY.Convolutional-neural networkassistedsegmentationandSVMclassificationofbraintumorinclinicalMRIslices[J].InformationTechnologyandControl，2021，50（2）：342-356.

[6]RONNEBERGERO，FISCHERP，BROXT.U-Net：convolu?tionalnetworksforbiomedicalimagesegmentation[M]//MedicalImageComputingandComputer-AssistedIntervention–MICCAI2015.Cham：SpringerInternationalPublishing，2015：234-241.

[7]DONGH，YANGG，LIUFD，etal.Automaticbraintumordetec?tionandsegmentationusingU-Netbasedfullyconvolutionalnetworks[M]//MedicalImageUnderstandingandAnalysis.Cham：SpringerInternationalPublishing，2017：506-517.

[8]YANGTJ，SONGJK.Anautomaticbraintumorimagesegmen?tationmethodbasedontheU-net[C]//2018IEEE4thInterna?tionalConferenceonComputerandCommunications（ICCC）.IEEE，2018：1600-1604.

[9]BAIDU，GHODASARAS，MOHANS，etal.TheRSNA-ASNR MICCAIBraTS2021BenchmarkonBrainTumorSegmentationandRadiogenomicClassification[EB/OL].[2025-03-20].https：//arxiv.org/abs/2107.02314.

[10]?I?EK?，ABDULKADIRA，LIENKAMPSS，etal.3DU-Net：learningdensevolumetricsegmentationfromsparseannota?tion[M].MedicalImageComputingandComputer-AssistedIntervention-MICCAI2016.Cham：SpringerInternationalPub?lishing，2016：424-432.

[11]PEIL，LIUY.Multimodalbraintumorsegmentationusinga3DResUNet[C]//Brainlesion：Glioma，MultipleSclerosis，StrokeandTraumaticBrainInjuries-7thInternationalWorkshop，BrainLes2021，HeldinConjunctionwithMICCAI2021，Re?visedSelectedPapers，PartI.Strasbourg，France：Springer，2021：315-323.

[12]MILLETARIF，NAVABN，AHMADISA.V-net：fullyconvolu?tionalneuralnetworksforvolumetricmedicalimagesegmenta?tion[C]//2016FourthInternationalConferenceon3DVision（3DV）.October25-28，2016，Stanford，CA，USA.IEEE，2016：565-571.

[13]ZHANGYD，LIUHY，HUQ.TransFuse：fusingtransformersandCNNsformedicalimagesegmentation[M]//MedicalImageComputingandComputerAssistedIntervention–MICCAI2021.Cham：SpringerInternationalPublishing，2021：14-24.

[14]何陸灝，周永章，張燦.基于深度學習的目標分割在巖石智能識別上的應用[J].礦物巖石地球化學通報，2025，44（3）：525-541，452.

【通聯編輯：唐一東】