颜丙宝，曹秒，李梦媛

（长春理工大学 生命科学技术学院，长春 130022）

脑胶质瘤是脑组织中异常生长的细胞［1］，被认为是最常见的原发性恶性脑肿瘤。2016年，全球共确诊神经系统肿瘤约33万例，死亡22.7万例［2］。核磁共振成像（MRI）对软组织具有高成像分辨率的优点，可以更清晰地显示脑肿瘤的细节特征，已经成为脑肿瘤检测的标准方法［3］。

目前，临床上主要依靠专家对脑肿瘤的手动分割，这会耗费大量时间，并且对医生的专业经验要求较高［4］，所以脑肿瘤的自动分割方法成为必然趋势。Pereira等人［5］使用3×3卷积核和块训练的方法进行网络的训练，用于脑肿瘤的分割，实验证明在相同感受野的情况下，小卷积核可以减少网络的参数。Havaei M［6］同时使用局部信息和全局信息进行深度神经网络的训练。U-Net［7］网络的编解码结构提高了全卷积神经网络对生物医学图像分割的准确率。刘璐［8］通过数据增强方法提高模型的泛化能力。

本文提出了一种结合空洞卷积的多尺度特征提取的脑肿瘤图像自动分割算法（Automatic Segmentation of Brain Tumor Image Based on Multiscale Feature Extraction Combined with Dilate Con‐volution，MD-unet），采用端到端的训练方法，解决了块训练方式忽略图像空间信息的问题，并选择T1ce、T2和flair三种模态进行训练。MD-unet网络对完整肿瘤的DSC系数为0.86，优于U-Net方法。

1 多尺度特征提取模块

全卷积神经网络［9］主要包含卷积层、激活函数、池化层、连接层和反卷积层。通过卷积层提取特征；激活函数的作用是引入非线性因素；池化层通过降低特征图的尺寸来增大感受野，提高单个像素包含的信息；反卷积层用来恢复特征图的分辨率；……