[发明专利]一种基于深度学习的脑肿瘤自动分割方法

权利要求书

1.一种基于深度学习的脑肿瘤自动分割方法，其特征在于，包括以下步骤：

步骤一：对病人包含脑肿瘤的核磁共振成像(Magnetic Resonance Imaging，MRI)切片进行预处理，裁剪边缘降低计算量，并提升对比度；

步骤二：对图像中的点提取其图像块，将每个图像块的灰度转换为一个一维的向量，依次排列形成输入矩阵；

步骤三：设定深度学习网络的隐层节点数，将矩阵作为输入，首先进行预训练，获取最初的网络参数；

步骤四：在网络的顶部增加一个输出层，利用带标签的数据对网络参数进行微调得到最终的参数；

步骤五：使用得到的参数初始化一个新的分类网络，对需要测试的图像，为其提取同样大小的图像块，并形成同样的灰度矩阵，把这个灰度矩阵输入到分类网络中，得到最初的分类结果；

步骤六：将结果映射到原来的测试图像上，利用一个灰度值对被分为肿瘤的点进行划分，最后利用一个后处理在合并连通区域的同时删除一些孤立的肺肿瘤区域；

步骤七：将最终结果映射到原图上，并统计分割正确率。

2.根据权利要求1所述的基于深度学习的脑肿瘤自动分割方法，其特征在于：所述步骤二中的所述对MRI切片进行图像块的提取，具体步骤如下：

设置一个步长step，遍历整个MRI切片，每step个像素点选取一个点，提取以该点为中心的25×25的图像块，当为训练集提取图像块时，对不是肿瘤的点，step＝5，而对是肿瘤的点，step＝1，当为测试集提取图像块时，step＝2，将每个图像块的灰度转换为一个625维的行向量，一共得到N个行向量x₁,x₂,x₃,…,x_N，从上往下依次排列形成输入矩阵X：

X=x1x2···xN=x1,1x1,2···x1,625x2,1x2,2···x2,625·········xN,1xN,2···xN,625N×625]]>

3.根据权利要求1所述的基于深度学习的脑肿瘤自动分割方法，其特征在于：所述步骤三中的所述对网络的预训练，具体步骤如下：

(1)设定深度学习网络只包含一个隐层，且隐层节点数为100，将矩阵X作为输入；

(2)用降噪自动编码进行预训练，首先随机初始化参数θ＝{W，b}，其中W是625×100的权重矩阵，b是100维的偏移向量，利用一个确定映射Y＝f_θ(X)＝s(WX，b)将输入X映射为一个隐藏的潜在表示Y；

(3)得到的潜在表示Y又被一个参数为θ′＝{W′，b′}函数Z＝g_θ′(Y)＝s(W′Y+b′)映射回成为一个输入空间中的重建向量Z，W′满足约束条件W′＝W^T；

(4)每一个训练样本x_i都被映射成为相应的y_i，又重构成为z_i，然后通过优化重建模型参数使平均重建误差最小化：

θ*,θ′*=argminθ,θ′Eqo(X)[LH(X,gθ′(fθ(X)))]]]>

其中L_H是损失函数，重建交叉熵，即：

LH(x,z)=H(Bx||Bx)=-Σk=1d[xklogzk+(1-xk)log(1-zk)]]]>

得到最初的网络参数。