[发明专利]结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置

说明书

技术领域

本发明涉及医疗器械，将医学图像和计算机算法结合起来，完成脑肿瘤核磁共振图像的分割。具体讲,涉及结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置。

背景技术

脑肿瘤分为良性肿瘤和恶性肿瘤两类，良性肿瘤在通过手术治疗后一般能够恢复健康，恶性肿瘤因其顽固性难以治愈，又被称为脑癌。调查显示，美国仅2015年被诊断的脑肿瘤人数新增23,000人。脑肿瘤已严重危害到人类生命健康，如何更好地对其诊断和治疗十分重要。目前检查脑肿瘤的影响手段主要有核磁共振成像(magnetic resonance imaging,MRI)和计算机断层扫描(Computed tomography,CT)，其中MRI具有非侵入性，能在病人不接受高电离辐射的情况下提供形状、大小及位置等信息，且具有良好的软组织对比度，因此在脑肿瘤的诊断、治疗和手术引导中越来越受到人们的关注，而如何使用计算机辅助分割MRI脑肿瘤以得到理想结果，仍是一个急需解决的问题。

1998年，LeCun等将卷积神经网络(convolution neural network,CNN)首次应用于图像识别领域，该网络可以通过直接输入原始图像识别视觉上面的规律，避免了对图像复杂的前期预处理。卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，每个平面由多个独立神经元组成。CNN通过结合局部感知区域、共享权重、空间或者时间上的下采样来充分利用数据本身包含的局部性等特征，优化网络结构，并且保证了在一定程度上对位移、缩放和其他形式扭曲的不变性。卷积神经网络一般包括输入层、卷积层、子采样层、全连接层和输出层。

卷积层又称为特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。在卷积层，前一层的特征图和一个可学习的核进行卷积，卷积的结果经过激活函数后得到这一层的特征图。一般地，卷积层的形式如下：

式中，M_j为神经元j对应的局部感受野，是第l层的神经元i的第j个输入对应的权值，为l层的第i个偏置量，为l-1层神经元i的输出，为l层神经元j的输出。

子采样层又称为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提高该局部的阈值。如果输入的特征图为n个，则经过子采样层后特征图的数目不变，尺寸变小。子采样层的形式如下：

式中，down()为下采样，β^l，b^l分别为可训练参数和可训练偏置。

全连接层是与上一层全连接，并将上一层输出结果与权重向量相乘，再加上偏置项，并将这一结果传送给sigmoid函数或者tanh函数进行计算。全连接层的形式如下：

式中，w_ji为网络中第l-1层的第i个输入到第l层的第j个输出的连接权重，b^l为第l层的可训练偏置。

输出层用于计算输入样本属于各类别的概率，输入样本归属于所属概率最大的类别，完成分类任务。

模糊推理系统作为智能计算的重要分支，以模糊集合为基础，引入模糊逻辑后以一定的程度值描述某一事件，从而体现事件更真实的情况，最终实现复杂的非线性映射关系。模糊集是用来表达模糊性概念的集合。根据模糊集指定的规则称为模糊规则，对于一个模糊系统而言，所有的模糊规则共同组成了该系统的模糊规则集。

首先，将输入信息进行模糊化，即将输入从精确的数值根据输入变量的模糊集转化为模糊值。其次，根据建立好的模糊规则进行匹配，从而进行逻辑推理。根据逻辑推理，可以得到一个输出结果的模糊值。最终，通过输出变量的模糊集可以将输出的模糊值进行去模糊化，得到的结果为一个精确的输出数值。去模糊化的计算公式如下：

式中，μ(·)表示该模糊变量的隶属度函数。

发明内容

为克服现有技术的不足，本发明旨在将计算机图像处理技术应用在脑肿瘤核磁共振图像的分割中，避免人工分割存在的低效率及不稳定的缺陷，利用计算机算法提供快速、可靠的脑肿瘤分割结果，为脑肿瘤的诊断、治疗和手术引导提供准确的依据。本发明采用的技术方案是，结合卷积神经网络和模糊推理的脑肿瘤分割方法,步骤如下：