上海理工大学 医疗器械与食品学院, 上海 200093
基于目前脑胶质瘤在低分级胶质瘤和高分级胶质瘤上分类不准确的问题, 提出了基于3D CNN特征提取的磁共振成像脑胶质瘤分类方法。在3D CNN模型中加入Batch Normalizing层和Dropout层, 降低了过度拟合并加速了网络收敛速度; 使用N4ITK和数据增强后的数据进行训练, 进一步降低了过度拟合, 提升了模型分类效果; 构建特征融合层, 实现自动分类。实验结果表明, 算法在BraTS 2018数据集中的分类效果具有明显优势, 分类准确率高达91.67%, 明显高于AlexNet、VGG和ResNet三大主流网络模型, 算法具有较好的鲁棒性和泛化性, 对脑胶质瘤的分类和诊断具有临床应用潜力。
脑胶质瘤分类 特征提取 磁共振成像 glioma classification 3D CNN 3D CNN feature extraction magnetic resonance imaging