基于边界依赖的偏差分割技术及其并发层学习

《Egyptian Informatics Journal》:BDST: Boundary-dependent deviating segmentation technique using concurrent layer learning

【字体: 大 中 小 】 时间:2026年02月11日 来源:Egyptian Informatics Journal 4.2

编辑推荐:

  脑肿瘤的分割与检测可通过磁共振成像(MRI)及计算机辅助处理得以简化。肿瘤与非肿瘤区域的分割依赖于基于像素分布所识别的边界。本文提出了一种边界依赖的偏差分割技术(Boundary-dependent deviation segmentation Techniq

  
脑肿瘤的分割与检测可通过磁共振成像(MRI)及计算机辅助处理得以简化。肿瘤与非肿瘤区域的分割依赖于基于像素分布所识别的边界。本文提出了一种边界依赖的偏差分割技术(Boundary-dependent deviation segmentation Technique, BDST),旨在提升肿瘤检测准确性。该技术利用对比度和偏度特征识别像素偏差,以界定均匀与非均匀分布之间的边界。针对肿瘤的存在与否及尺寸大小,对所识别的边界进行分割,从而提高精度。设计了一种具有两个隐藏层的传统深度学习范式,分别针对均匀与非均匀分布进行边界特征训练。在训练过程中,考虑了直至图像末端尺寸的偏差与恒定像素分布所对应的边界特征。因此,学习过程在区分像素分布方面具有并发性,从而简化了分割操作。分割在偏差边界之间进行,以实现较低复杂度的检测。最终,无论肿瘤尺寸或存在与否,由肿瘤引起的边界均被分割出来。
《Egyptian Informatics Journal》论文解读:基于BDST的脑肿瘤MRI分割方法研究

一、研究背景与问题

脑肿瘤的早期诊断对治疗方案的制定具有重要意义。磁共振成像(Magnetic Resonance Imaging, MRI)凭借其软组织对比能力强、临床可获得性广等优势,已成为脑肿瘤诊断的标准影像手段。脑肿瘤的诊断流程通常包括肿瘤识别、分割与分类三个环节。其中,肿瘤分割旨在从MRI图像中定位并分离出不同肿瘤组织区域,是后续定量分析与手术规划的基础。然而,医学图像分割面临噪声、部分容积效应、灰度不均匀、对比度低以及目标形状多变等挑战,且缺乏能够完整描述各结构潜在形变的解剖模型。近年来,深度学习技术,特别是卷积神经网络(Convolutional Neural Network, CNN),在医学图像分类与分割中取得了显著性能提升,但高计算成本成为其应用瓶颈,尤其是处理高分辨率图像时。已有方法在肿瘤边界检测中多依赖先前区域分布特征,但部分方法在处理不均匀像素分布时存在复杂度高、等待式处理耗时等问题,影响了肿瘤检测的精度与效率。针对上述问题,研究人员提出了一种边界依赖的偏差分割技术(Boundary-dependent deviation segmentation Technique, BDST),利用并发层学习策略,旨在提高肿瘤检测精度并降低计算复杂度。

二、研究内容与结论

该研究设计并实现了一种基于边界依赖偏差分割的脑肿瘤MRI分割方法。该方法首先对输入的MRI图像进行预处理,提取偏度(skew)和对比度(contrast)作为纹理特征。通过分析像素分布的均匀性,区分肿瘤与非肿瘤区域,并利用偏差特征在均匀与非均匀分布之间定义边界。研究采用具有两个隐藏层的传统深度学习结构,分别针对均匀和非均匀像素分布进行边界特征训练,使得学习过程能够并发处理不同像素分布,从而降低分割复杂度。实验采用公开脑肿瘤MRI数据集,包含7000余幅训练图像和1300余幅测试图像,肿瘤类型涵盖垂体瘤、胶质瘤、脑膜瘤及无肿瘤图像。研究将所提BDST与MM-BiFPN、EdgeU-Net和HCN等现有方法进行比较,评估指标包括检测准确率、精确率、分割率、复杂度和特异性。结果表明,在边界数为10时,BDST的检测准确率达到92.58%,精确率0.9366,分割率0.949,特异性0.9134,复杂度197.36 ms。与现有方法相比,所提方法检测准确率提高14.51%,精确率提高15.63%,分割率提高10.07%,特异性提高12.07%,复杂度降低9.34%。研究结论表明,BDST在提升脑肿瘤检测精度和降低处理复杂度方面具有明显优势,适用于实时MRI诊断场景。

三、关键技术方法

研究人员在方法实现中主要采用了以下关键技术:基于偏度与对比度特征的像素偏差分析,用于区分均匀与非均匀像素分布;基于双隐藏层并发学习的深度网络架构,用于训练边界特征并减少计算复杂度;以及基于偏差边界的区域分割策略,实现对肿瘤区域的精确提取。实验数据来源于公开的脑肿瘤MRI数据集。

四、研究结果

4.1 像素分割过程

通过预处理和特征提取,对MRI图像中的像素进行分割,依据偏度和对比度识别肿瘤与非肿瘤区域。该系统支持多种图像输入格式,并转换为灰度图像进行处理。

4.2 边界检测

采用深度学习双隐藏层结构,对均匀和非均匀像素分布进行独立训练。通过偏差与恒定像素分布的特征学习,实现精确的边界检测。研究发现,并发层处理能够减少等待时间,提高边界识别效率。

4.3 分割过程

基于检测到的边界,对像素进行分割,将偏差像素区域从恒定像素区域中分离出来,从而准确分割出肿瘤区域。分割过程能够适应不同大小和位置的肿瘤。

4.4 偏差分析

通过偏差分析发现,在边界检测过程中,偏差变化次数与像素分布状态密切相关。通过优化偏差变化条件,能够有效降低分割误差,提高检测稳定性。

4.5 真阳性分析

真阳性分析显示,独立与并发迭代策略能够平衡错误检测,将假阳性控制在较低水平。基于偏差与恒定像素的独立训练有助于在真阳性最大化过程中减少误检。

4.6 计算复杂度分析

实验表明,该方法的计算复杂度较低。由于仅针对不同特征进行差异化计算,避免了层间重复计算,从而显著降低了计算资源消耗。与传统方法相比,在处理多连接输入时耗时更少。

五、讨论与结论

讨论部分指出,所提出的BDST通过边界偏差分割和并发学习机制,在减少计算复杂度的同时保持了高检测精度和特异性。与现有方法相比,该方法在检测准确率、精确率、分割率、特异性和复杂度方面均表现出更好的性能。硬件适配性分析表明,该方法可集成于现有临床设备中,具备实时诊断应用潜力。研究人员总结认为,边界依赖的偏差分割技术能够有效处理像素分布差异,提高脑肿瘤检测精度,并降低计算复杂度。未来工作将引入基于特征差异的预分类模型,以减少重复识别的时间开销,进一步提升实时检测效率。总之,该研究为MRI脑肿瘤分割提供了一种高效且精确的技术方案,其成果发表于《Egyptian Informatics Journal》。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号