基于深度学习的BRATS医学图像分割实战：从数据预处理到模型优化

1次阅读

没有评论

共计 2923 个字符，预计需要花费 8 分钟才能阅读完成。

医学图像分割是 AI 辅助诊断的核心环节，而 BRATS 数据集作为脑肿瘤分割的标杆数据集，包含 T1、T1ce、T2、FLAIR 四种模态的 MRI 数据。这些数据具有几个显著特点：

多模态特性：不同模态突出不同组织特征（如 T1ce 增强肿瘤区域，FLAIR 显示水肿带）
肿瘤异质性：同一患者的肿瘤可能包含坏死核心、增强区域和水肿区等多种子结构
边界模糊：特别是低级别胶质瘤，与正常组织对比度差异小

传统方法如阈值分割、区域生长在面对这些复杂情况时表现欠佳，主要体现在：

难以自动适应多模态数据
对微小肿瘤区域敏感度低
无法有效处理三维空间上下文信息

我们对比了三种主流架构在 BRATS2020 验证集上的表现：

模型	平均 Dice 系数	参数量(M)	推理速度(ms/slice)
U-Net	0.78	31.0	45
U-Net++	0.83	36.2	52
nnUNet	0.85	151.7	78

选择 U -Net++ 的考虑因素：

精度与效率平衡：相比基础 U -Net 提升 5% Dice，参数量仅增加 16%
嵌套跳跃连接：通过密集连接解码器各层，缓解梯度消失问题
可扩展性强：便于集成注意力机制等模块

使用 Monai 处理 NIfTI 格式的典型流程：

import monai
from monai.transforms import (
    LoadImaged, AddChanneld, Spacingd, 
    ScaleIntensityRanged, CropForegroundd
)

# 定义转换链
train_transforms = monai.transforms.Compose([LoadImaged(keys=["image", "label"]),
    AddChanneld(keys=["image", "label"]),
    Spacingd(keys=["image", "label"], pixdim=(1,1,1)),
    ScaleIntensityRanged(keys=["image"], 
        a_min=-200, a_max=200,
        b_min=0.0, b_max=1.0
    ),
    CropForegroundd(keys=["image", "label"], source_key="image")
])

关键点说明：

Spacingd统一各向异性分辨率
ScaleIntensityRanged标准化不同扫描仪的强度范围
使用 CropForegroundd 减少计算冗余

通过 Albumentations 实现协同增强：

import albumentations as A

aug = A.Compose([A.RandomRotate90(p=0.5),
    A.ElasticTransform(
        alpha=1, 
        sigma=50, 
        alpha_affine=50,
        p=0.3
    ),
    A.GridDistortion(p=0.2)
], additional_targets={
    't1ce': 'image',
    't2': 'image',
    'flair': 'image'
})

# 应用时保持各模态同步变换
augmented = aug(
    image=t1,
    t1ce=t1ce,
    t2=t2,
    flair=flair
)

模型核心组件代码：

class AttentionGate(nn.Module):
    """
    注意力门机制实现
    Args:
        F_g: 门控信号通道数
        F_l: 局部特征通道数
        F_int: 中间层通道数
    """
    def __init__(self, F_g, F_l, F_int):
        super().__init__()
        self.W_g = nn.Sequential(nn.Conv2d(F_g, F_int, 1),
            nn.BatchNorm2d(F_int)
        )
        self.W_x = nn.Sequential(nn.Conv2d(F_l, F_int, 1),
            nn.BatchNorm2d(F_int)
        )
        self.psi = nn.Sequential(nn.Conv2d(F_int, 1, 1),
            nn.BatchNorm2d(1),
            nn.Sigmoid())

    def forward(self, g, x):
        g1 = self.W_g(g)
        x1 = self.W_x(x)
        psi = F.relu(g1 + x1)
        psi = self.psi(psi)
        return x * psi

PyTorch 原生 AMP 使用示例：

scaler = torch.cuda.amp.GradScaler()

with torch.cuda.amp.autocast():
    outputs = model(inputs)
    loss = criterion(outputs, labels)

scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()

效果对比（RTX 3090）：

精度模式	显存占用(GB)	迭代速度(iter/s)
FP32	10.8	3.2
AMP	6.4	4.7

class DiceCELoss(nn.Module):
    def __init__(self, weight=None):
        super().__init__()
        self.dice_loss = monai.losses.DiceLoss(
            smooth_nr=1e-5, 
            smooth_dr=1e-5,
            to_onehot_y=True
        )
        self.ce_loss = nn.CrossEntropyLoss(weight=weight)

    def forward(self, y_pred, y_true):
        dice = self.dice_loss(y_pred, y_true)
        ce = self.ce_loss(y_pred, y_true)
        return 0.5*dice + 0.5*ce

权重分配建议：

根据类别像素比例设置 CE 权重
对小目标（如增强肿瘤）适当提高权重系数

模态间位移：建议在预处理时执行

# 使用 SimpleITK 进行刚体配准
import SimpleITK as sitk

elastix = sitk.ElastixImageFilter()
elastix.SetFixedImage(sitk.ReadImage(t1_path))
elastix.SetMovingImage(sitk.ReadImage(t2_path))
elastix.Execute()