[发明专利]一种基于深度学习的脑肿瘤自动分割方法

说明书

技术领域

本发明属于计算机辅助诊断领域，更为具体地讲，涉及一种基于深度学习的脑肿瘤自动分割方法。

背景技术

深度学习是当前机器学习研究的热门领域，它通过建立、模拟人脑分析学习的过程来解释图像、声音和文本等数据。深度学习是无监督学习的一种，含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习现在主要应用在语音识别，人脸检测，语义解析等方面，但还很少应用到计算机辅助诊断领域。

目前，深度学习在计算机辅助诊断领域的研究主要是针对阿尔兹海默症和轻度认知障碍的分类。研究证明，基于深度学习的阿尔兹海默症计算机辅助诊断系统能够在病人只患了轻度认知障碍的时候就预测未来该病人是否会转换成阿尔兹海默症，这给医生提供了一个客观的计算机诊断结果作为第二参考，对医生诊断轻度认知障碍和阿尔兹海默症起到了积极的作用。

现今，将计算机辅助诊断应用在脑肿瘤上面的研究现已取得了一定的进展，大量的研究正在进行之中。然而脑肿瘤是除脑血管病外神经系统最常见的疾病，被认为是神经外科治疗中最棘手的难治性肿瘤之一，严重地威胁着人类的身体健康。

脑肿瘤的治疗最关键的一步就是进行手术的切除，而肿瘤的分割对术前手术方案的规划起着至关重要的作用。如果能精确地从病人的核磁共振图像中分割出脑肿瘤，就可以在术前和术中为主刀医生提供更有价值的参考，尽可能多地切除肿瘤又不伤害到正常组织，可以使病人远离脑肿瘤复发的痛苦，改善病人的生存质量。目前，脑肿瘤的精确分割主要还是依赖于医生的主观经验，这不仅会耗费大量的人力，分割结果也因医生的水平不同而参差不齐。通过应用现代信息技术对脑肿瘤实现精确、快速的分割将是未来计算机辅助诊断领域的一个重要研究方向。

现有的脑肿瘤分割方法主要有水平集分割，模糊聚类，区域生长和机器学习，但大多需要人工干预。而基于深度学习的脑肿瘤分割方法不需要人工的干预，是一种无监督的分割算法，能够自动从病人的核磁共振图像中分割出脑肿瘤，在保证了精确率的同时，也提高了分割的效率。

发明内容

本发明的目的在于克服现有脑肿瘤分割方法的不足，提供一种基于深度学习的脑肿瘤分割方法，通过将脑肿瘤的分割转换为图像块的分类，对图像中的每一个点提取以这个点为中心的图像块，将其灰度值作为输入，利用深度学习发现图像块中的潜在特征，为图像块进行分类，并将结果映射到原图上，得到初步的分割结果，再对其进行后处理，得到最终的分割结果。

本发明解决其技术问题所采用的技术方案如下：

基于深度学习的脑肿瘤自动分割方法，其流程如图1所示，具体包括以下步骤：

步骤一：对病人包含脑肿瘤的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：如图2，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：如图3，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。

需要说明的是：

针对不同的图像数据集，深度学习的模型参数的设定往往有很大不同，需要通过实验确定最佳的参数。

本发明的有益效果是：

本发明将深度学习引入了脑肿瘤的自动分割中，提出了一种能够直接从像素级的灰度值中直接抽象出高层特征，并据此对脑肿瘤进行分割的处理模型；本发明具有以下优点：

1、与传统的脑肿瘤分割方法相比，本发明不仅不需要为MRI图像提取其他特征，还不需要人工的干预，是一个自动的、无监督的脑肿瘤分割系统，在提高精度的同时，也大大提高了分割的效率；

2、与传统的模糊聚类分割方法相比，本发明可以很好地区分灰度值接近的脑肿瘤区域和血管，不需要人工确定聚类数，而且提供了更高的分割精确度。

附图说明

图1是本发明提供的基于深度学习的脑肿瘤自动分割方法流程图；