[发明专利]基于改进的全卷积神经网络的脑肿瘤图像分割算法

权利要求书

1.一种基于改进的全卷积神经网络算法的MR脑肿瘤图像分割方法，步骤如下：

第一步：图像预处理

对脑肿瘤图像FLAIR、T2和T1C三种模态进行灰度归一化，然后分别作为R、G、B通道进行简单的灰度图像融合以便卷积核能学习到不同模态的不同特征，将经过灰度融合后的预处理图像作为算法训练以及测试的数据。

第二步：改进的FCNN粗分割算法

基于FCNN网络，在每个卷积层后添加批量正则化层以加快网络的训练速度，提高模型的精度，并对池化后的脑肿瘤特征进行三次特征融合，以得到更精细的脑肿瘤特征，建立改进的FCNN网络，即FCNN-4s网络，改进的FCNN粗分割算法步骤如下：

1)对经过灰度融合后的预处理图像经过5次池化后，分别得到原图1/2尺寸、1/4尺寸、1/8尺寸、1/16尺寸以及1/32尺寸的特征矩阵；

2)首先对1/32尺寸的高维特征向量矩阵进行2倍上采样，与Pool4层的特征向量矩阵进行第一次融合；而后对第一次得到的特征融合矩阵进行2倍上采样，与Pool3层的特征向量矩阵进行第二次融合；其次再将此融合特征矩阵进行2倍上采样，与Pool2层的特征向量矩阵进行第三次融合；随后将第三次融合的特征矩阵进行4倍上采样，得到与原始脑肿瘤图像相同大小的特征矩阵，最后Prob层输出每一个像素点分别被判断为肿瘤点和非肿瘤点的两张概率图谱，得到改进的FCNN，即FCNN-4s，的粗分割结果；

第三步：FCNN-4s和CRF的细分割融合算法

根据第二步中FCNN-4s的粗分割结果，初始化CRF模型中能量函数得到像素点原始归属标签概率值，随后采用以下步骤计算CRF模型，不断迭代修正FCNN-4s预测的两类概率图谱，获得CRF的细分割融合结果。

2.根据权利要求1所述的分割算法，其特征在于，第三步的方法如下：

1)：用高斯滤波器分别对属于肿瘤的概率图谱和不属于肿瘤的概率图谱进行滤波，得到两类滤波结果；

2)：将步骤1)中的滤波结果分配权重进行乘加求和，而后对每一个类别的概率图谱根据标签兼容性矩阵进行转换更新得到点对能量势函数；

3)：对FCNN-4s的输出求取一元能量势函数，然后整合步骤)2中的点对能量势函数求取整个能量函数；

4)：将3)中的整个能量函数值归一化求取像素归属标签的概率值，并按最大概率取该像素所对应的标签，直到每一个像素点归属于各自标签的概率值迭代达到90％以上退出算法循环，否则将当前计算的像素损失反向传播回FCNN-4s算法中继续网络参数的学习与修正，当准确判断好后每个像素点是否为肿瘤像素点，算法便可完成脑肿瘤图像的分割。