[发明专利]一种基于全卷积网络的MRI图像脑肿瘤自动分割方法

说明书

本发明提供一种基于全卷积网络的MRI图像脑肿瘤自动分割方法，包括脑肿瘤多模态MRI图像预处理、全卷积网络模型构造、网络训练与参数调优和脑肿瘤图像自动分割，具体将MRI图像脑肿瘤的分割转换为像素级语义标注问题，对MRI不同模态强调的差异信息，将FLAIR、T1、T1c和T2四个模态的二维整幅切片合成四通道输入图像，利用已经训练好的卷积神经网络的卷积层和池化层作为基础特征层，在后添加三个与全连接层等同的卷积层构成中间层，使得中间层输出与语义分割类别数量相对应的粗糙分割图，在中间层的后面添加反卷积网络，用于对粗糙分割图进行插值得到与原图像大小一样的精细分割图。本发明不需要人工干预，有效提高了分割精度和效率，缩短了训练时间。

技术领域

本发明涉及医学图像分析技术领域，具体涉及一种基于全卷积网络的MRI图像脑肿瘤自动分割方法。

背景技术

脑胶质瘤是一种严重危及患者生命的常见脑肿瘤，而脑肿瘤最常用的治疗方案就是手术切除。核磁共振成像(Magnetic resonance imaging，MRI)以图像方式显示大脑内部信息，是医学工作者分析颅内肿瘤的有力工具。MRI图像脑肿瘤分割对于早期诊断、治疗计划和治疗评估起着至关重要的作用。但是，早期手工分割标记方式工作繁琐且主观性强，脑胶质瘤与正常组织的边界不清晰，并且MRI图像本身受到噪声、偏移场效应和部分容积效应等的影响。因此设计自动分割算法是解决手工标记不足的最佳方式，这是分割技术的发展方向之一。

基于MRI图像的脑肿瘤传统分割方法大致可以分为三类，即基于边界、基于区域以及两者相结合的方法。其中，基于边界的方法就是在图像中标识目标的边界，基于区域的方法就是在图像中标识目标所占有的区域，两者相结合的方法就是将基于边界和基于区域的方法结合起来，取两者的优势而避免其劣势的方法。但是，本发明的发明人经过研究发现，在这些传统方法中，通过人的主观意识去理解图像，从而提取特定的特征信息，如灰度信息、纹理信息及对称信息等实现脑肿瘤的分割，结果只能针对特定的图像有比较好的分割结果，因而分割结果过于粗糙且分割效率较低。

随着人工智能尤其深度学习的出现，为脑肿瘤的自动分割提供了新的方向，传统的脑肿瘤分割方法逐步被基于机器学习的方式取代。其中，卷积神经网络作为有监督学习的代表，能够直接从数据中学习特征表示，通过逐层特征提取，将图像从简单的边缘、角点等底层特征，逐层组合形成更加抽象的高层次特征，在图像识别领域取得了显著效果，已被广泛地应用于医学图像处理。当前基于机器学习的分割方法是采用图像块分类，但是这种方法需要以滑动窗口的方式对每一个像素进行预测分类，导致分割效率低而不能应用于实际临床医学中。因此本发明的发明人提供了一种更高效、准确的基于全卷积网络的MRI图像脑肿瘤自动分割方法。

发明内容

针对现有传统分割方法要通过人的主观意识去理解图像，从而提取特定的特征信息，如灰度信息、纹理信息及对称信息等实现脑肿瘤的分割，结果只能针对特定图像有比较好的分割结果，因而分割结果过于粗糙且分割效率较低的技术问题，本发明提供一种基于全卷积网络的MRI图像脑肿瘤自动分割方法，该分割方法能够广泛应用于医学图像分割领域，特别是脑肿瘤分割方面。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于全卷积网络的MRI图像脑肿瘤自动分割方法，包括以下步骤：

S1、脑肿瘤多模态MRI图像预处理，其包括：

S11、对T1和T1c两个模态MRI图像进行场偏移校正操作；

S12、提取FLAIR、T1、T1c和T2四个模态的MRI图像切片，在每一个MRI图像切片中，将大于1％最高灰度设置为0.99倍的最高灰度值，将小于1％最低灰度设置为0.99倍的最低灰度值；

S13、对每一个MRI图像切片的灰度值进行数据标准化和线性归一化操作；