基于形态学拉普拉斯增强活动轮廓与U-Net的两阶段脑肿瘤MRI分割方法

《Scientific Reports》：Segmentation of brain tumors using a morphological Laplacian-enhanced active contour model on MRI

　　

摘要

在磁共振成像（MRI）中准确分割脑肿瘤对于有效的治疗规划和术后监测至关重要。然而，强度不均匀性、低对比度边界以及高度不规则的肿瘤形态等挑战显著增加了该任务的难度。在本工作中，我们提出了一种两阶段混合框架，该框架将用于粗略定位肿瘤的卷积U-Net与用于精确边界细化的形态学拉普拉斯增强活动轮廓模型相结合。U-Net采用双模态输入（FLAIR + T1ce）进行训练，以生成可靠的初始掩膜，而所有细化步骤和最终性能评估均仅在单模态FLAIR图像上进行——确保了临床简便性和鲁棒性。所提出的活动轮廓模型引入了一种基于形态学拉普拉斯算子的新颖局部拟合项，该拟合项能够捕捉结构过渡并增强边缘敏感性。一种自适应权重函数在活动轮廓演化过程中动态平衡局部和全局强度信息的影响，在不牺牲计算效率的前提下，提高了对噪声和强度变化的鲁棒性。在BraTS 2020数据集上的评估显示，该方法达到了96.48% ± 1.57%的Dice系数、93.43% ± 2.92%的Jaccard指数和97.01% ± 1.69%的敏感性。对比实验表明，所提出的方法在仅使用FLAIR的MRI全肿瘤分割任务中优于经典活动轮廓模型和当代深度学习架构。源代码将在论文被接收后公开提供。