Page 301 - 《软件学报》2021年第12期

邓成龙 等:基于随机森林的宫颈鳞癌放化疗疗效预测 3965

值,就可消除 MR 图像中的噪声.
本文分别采用 7 种不同的小波基函数对 MR 图像进行二维小波变换,分别为 Haar 小波、Coiflet 小波、
Daubechies 小波、Symlet 小波、Biorthogonal 小波、ReverseBior 小波及 Dmeyer 小波.每一种小波基函数都经
过两级小波变换,每次小波变换都产生 4 组系数图像,共产生 56 组系数图像用于特征提取.
3.1.2 高斯拉普拉斯算子
为强化 MR 图像中组织边界细节,增强 MR 图像的纹理信息,提高肿瘤区域特征提取的准确度,本文利用
LOG 算法对 MR 图像进行增强操作.LOG 是高斯滤波和拉普拉斯算子结合生成(其中,高斯滤波对 MR 图像进行
平滑处理,拉普拉斯算子提取 MR 图像中边缘,详细如文献[35]所述).根据 LOG 公式定义,通过调整取值,可达到
对 MR 图像的纹理特征强化目的.
3.2 MR图像分割

宫颈鳞癌图像数据相对于自然图像数据较少,且预测宫颈鳞癌放化疗疗效需要精确提取 MR 图像中鳞癌
区域的纹理及形状等特征.因此,本文利用在小样本下能准确分割的 U-net [36] 模型(如图 4 所示:红色虚线框内所
示跳跃连接操作,绿色虚线框内所示残差块结构)来分割 MR 图像中肿瘤区域.同时,为提取肿瘤区域更多特征信
息,如空间信息,本文将宫颈鳞癌 3D MR 图像作为网络输入.

Fig.4 MR image segmentation network model
图 4 MR 图像分割网络模型

图 4 所示网络结构中,卷积层(conv)都包含 2 次卷积操作,卷积核大小为(n=1,2,3,4).网络激活函数为修正线
性单元(rectified linear unit,简称 ReLU).下采样采用 2×2×2 大小,步长为 2 的最大池化(max-pooling)操作.在下采
样后,将提取的特征通道数变为原来 2 倍.反卷积层中反卷积核大小为 2×2×2,且反卷积后将特征通道数减半.跳
跃连接操作是将编码器结构中的卷积操作获取的特征与解码器结构相对应的特征进行连接(如图 4 中红色虚
线框所示).
在网络前向传播过程中,随着网络层的递增,隐藏层的输入数据分布逐渐向激活函数取值区间的两端产生
偏移和变动,导致网络收敛速度下降甚至梯度消失.因此,本文在 U-net 中加入残差学习 [37] (图 4 中绿色虚线框所
示)来避免学习过程中产生此类问题.
残差学习通过在神经网络添加恒等映射方式构建残差块结构,将网络映射问题转换为多个尺度的残差问
题,降低模型学习难度.同时,恒等映射也能在网络训练过程中将梯度通过反向传播向浅层传递,提升模型训练