[发明专利]基于全卷积网络的脑部MRI肿瘤分割方法

说明书

本发明公开了一种针对脑部MRI图像的基于全卷积网络的肿瘤分割方法，将肿瘤分割任务分成两步，即粗分割和精细分割。本发明的步骤是先用预处理过的样本训练粗分割全卷积网络模型，用于检测原始图像中肿瘤区域，然后用肿瘤区域作为训练样本训练精细分割全卷积网络模型，用于对肿瘤区域的内部结构进行精细分割。结果表明，本发明对脑部MRI肿瘤有较好的分割效果。

技术领域

本发明属于医学图像处理技术领域。具体来说，涉及一种以分割出脑部核磁共振成像(MRI)中的肿瘤为目的的基于全卷积网络的脑部MRI肿瘤分割方法。

背景技术

脑肿瘤是患病率和死亡率最高的肿瘤之一。MRI是一种在临床上评估脑肿瘤特别有效的手段。对脑肿瘤和肿瘤内部结构的精确分割不仅对辅助医生的治疗计划十分重要，而且也对接下来的随访评估十分重要。然而，人工分割方法是十分耗时的，而且容易受到主观因素的影响导致误分割。因此，寻找一种精确的脑部肿瘤分割方法是必需的。然而，由于肿瘤区域的形状、结构和位置都是高度可变的，此外，由于成像器件和环境等原因，导致MRI图像本身质量也存在一些问题，如同一患者在不同仪器设备上成像的灰度分布不一致等。所以找到一种高精度的肿瘤分割方法十分困难。

当前，有些学者提出了一系列概率模型用于脑肿瘤分割领域。这些模型通常包含一个与观测数据和先验模型一致的似然函数。受到形状和连续性的约束，有学者将肿瘤区域看成是一种异常区域，从而将它从正常区域中分割出来。用马尔科夫随机场结合肿瘤区域附近的区域也可以实现光滑的图像分割。如Zhang等人提出了一种基于马尔科夫随机场的分割方法，先利用基于直方图的似然函数估计法初步分割，然后利用基于马尔科夫随机场的分割方法再次分割。根据Menze等人的调查，生成模型对潜在数据也有较好的生成效果，但是它不能很好地将先验知识应用到适当的概率模型中。

另一类分割方法直接从已有数据中学习数据分布，这类方法不依赖与某种特定的模型。这类方法认为图像中的像素点都是独立同分布的，而且像素间的信息也会被作为特征进行训练。所以，一些孤立的像素点和一些很小的类簇会被错误分类。为了解决这个问题，一些学者在条件随机场中加入了一个概率性预测。近年来，随机森林被成功地应用到脑肿瘤分割当中。由于随机森林比较适合处理多分类问题和大特征向量，所以它被广泛应用于分割问题。Tustison等人提出了一种基于随机森林的二阶分割框架，用第一阶段的分割器的输出结果来提高第二阶段的分割结果。Geremia等人提出了一种空间自适应的随机森林模型用来分割脑部肿瘤。深度学习自2006年由Hinton等人提出以来，在很多研究领域得到了成功的应用。深度学习技术源于神经网络学习技术，神经网络技术通过模拟人脑的运行模式来建立学习结构和模型。虽然神经网络有很多缺点，但是Hinton等一批人坚持了他们的研究，提出了许多新的方法解决深度网络难以训练，容易过拟合的问题。如采用新的线性修正单元(ReLU)激活函数、数据池化处理、丢弃(dropout)训练法等，这些新的方法有效的解决了深度神经网络容易过拟合的问题，在语音识别、图像识别等领域取得了成功的应用。Pereira等人在2015年提出了一种基于卷积神经网络的方法对脑部MRI图像进行肿瘤分割，将图像分割问题转换为对像素点的分类，并且取得了比一般方法更好的分割效果。Jonathan Long等人在2015年提出了全卷积网络用于图像语义分割，这是一种端对端的分割模型，是深度学习用于图像分割领域的一个重大突破。本发明将全卷积网络用于脑部MRI肿瘤分割。

发明内容

为了对脑部肿瘤区域和肿瘤内部结构进行精确分割，本发明设计了一种脑部肿瘤分割方法，将脑部肿瘤分割这个任务分成两步，训练两个全卷积网络，第一个网络用于对脑部肿瘤图像进行初步分割，检测脑部肿瘤所在区域，第二个网络用来对脑部肿瘤区域的内部结构进行精细分割。实验表明，这种分割方法有较好的分割效果。该方法包括：

训练粗分割全卷积网络模型，用于检测原始MRI图像中的肿瘤区域；

训练精细分割全卷积网络模型，用于对肿瘤区域的内部结构进行精细分割；

利用训练好的两个全卷积网络模型对输入脑部MRI图像进行分割。