[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

说明书

本发明涉及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；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；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。

技术领域

本发明是医学影像领域中的一个重要领域，将医学图像和深度学习算法结合起来，完成脑肿瘤核磁共振图像的精确分割。

背景技术

恶性脑肿瘤是世界上最可怕的癌症类型之一，通常会使患者的认知功能下降、生活质量变差。成人中最常见的脑肿瘤是原发性中枢神经系统淋巴瘤和胶质瘤，其中胶质瘤占到恶性肿瘤的80％以上，因此胶质瘤是肿瘤分割的重点对象。但由于胶质瘤可出现在大脑的任何位置且大小不定、形状不规则，使得其分割仍然是一个具有挑战性的任务，因此如何采用现代信息技术高效且全自动化地分割脑肿瘤成为一个重要的研究方向。核磁共振成像 (Magnetic Resonance Imaging,MRI)技术具有非侵入性，对脑肿瘤图像分割具有重要的辅助作用^[3-4]。脑肿瘤MRI序列包括T1加权(T1-weighted)、T1C(Contrast enhanced T1-weighted images)、T2加权(T2-weighted images)及FLAIR(Fluid Attenuated InversionRecovery)等成像序列，临床上通常结合四种图像共同诊断肿瘤的位置和大小。

基于训练样本和标签的监督学习算法通过学习得到一个分类模型，以此实现图像分类或分割任务。尤其是基于深度学习的卷积神经网络(Convolutional Neural Network,CNN)已经广泛应用于图像分类、目标检测以及语义分割等计算机视觉领域。与条件随机场(Conditional Random Fields,CRF)、极端随机树(Extremely Randomized Trees,ERT)和支持向量机(Support Vector Machine,SVM)等传统监督机器学习算法相比，基于深度学习的方法不依赖于人工提取特征，而是自动从训练数据中学习到高水平和任务自适应的复杂特征。CNN通过堆叠多个卷积层、池化层以及全连接层，将图像与核特征参数进行卷积形成强鲁棒性和自适应性的特征学习模型。Havaei等^[1]提出了一种具有两通路CNN的深度学习模型，包括一个卷积通路和一个全连接通路；Pereira等^[2]采用了层数更深的CNN结构，且模型中用多个3×3小尺寸的卷积核来减少网络参数，提高运算速度，强化肿瘤边界信息的提取；师冬丽等结合模糊推理系统，建立学习规则对CNN预测肿瘤点的概率进行再判断以提高分割精度。尽管基于深度学习的分割算法取得重大进展，但基于CNN的脑肿瘤图像分割存在以下问题：(1)相邻像素块的标签具有独立性，没有考虑到标签之间的相关性和一致性；(2)像素块的大小限制了感受野的大小，网络只能提取到局部特征，导致CNN无法分割出精细的肿瘤边界；(3) CNN针对每个相邻像素块逐个卷积，导致计算上具有较高的冗余性。

针对CNN分割脑肿瘤的缺陷，本发明提出一种基于改进的全卷积神经网络(FullyConvolutional Neural Network,FCNN)和条件随机场(Conditional Random Fields,CRF)的全自动脑肿瘤MR图像分割算法。首先对多模态MR脑肿瘤图像做灰度归一化及灰度图像融合的预处理，而后对预处理图像建立FCNN模型进行粗分割，随后基于分割图像标签之间的相关性，将概率图谱模型CRF融合到FCNN中，进行精细的边界分割，提高脑肿瘤的分割精度。