[发明专利]一种基于DBN神经网络的MRI脑肿瘤图像分割方法

说明书

本发明公开了一种基于DBN神经网络的MRI脑肿瘤图像分割方法，先从已有的病人脑MRI序列图像库中摘选出多幅作为训练样本，对其预处理并计算显著性图；然后下采样送入DBN神经网络先后进行无监督和有监督训练，针对训练样本极度不平衡的情况，对非肿瘤区域进行了下采样处理，提高了阳性样本的检出率；训练完成后，即可将待分割的测试图像送入到网络进行分割，引入视觉注意模型，增强了网络对较难分割区域的分割准确率，最后输出分割结果。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于DBN神经网络的MRI脑肿瘤图像分割方法。

背景技术

近年来，脑部肿瘤已成为发病率和致死率最高的肿瘤之一。核磁共振成像(MRI)能对大脑软组织进行高空间分辨率和高对比度成像，是医生进行脑结构分析的最佳选择，因此在临床上被广泛使用。在脑MRI图像处理中，对肿瘤部分的精确分割是至关重要的一步，其对医生的后续分析和判断有着至关重要的作用。而目前，此步骤仍然严重依赖人工分割，这是非常耗时的，而且有着很强的不稳定性，因此寻找一种精确的自动化分割方法有着很高的实用价值。但是，由于脑部肿瘤形状、位置和结构的高度可变性，以及不同人、不同设备对成像的灰度分布的巨大影响，要寻求一种高精度的分割方法十分困难。

目前，已有一些学者做了这方面的研究，他们大多采用传统的机器学习算法(如随机森林、马尔科夫随机场方法等)，用于分割正常的脑组织(如白质和灰质)和异常的脑组织(如脑肿瘤)。然而，该类方法往往需要事先手工提取特征，因此要求设计者具备相关的专业知识，这在很多情况下是不太现实的，而且手工提取的特征具有针对性强，可拓展性差等缺点。深度学习模型的出现和发展完美的解决了这些问题。

深度学习模型是指采用多层神经网络(一般指大于3层的神经网络)进行特征学习的一种层叠结构，其最初动机是模拟人脑进行学习和分析。深度学习模型较传统的机器学习算法具有更为强大的特征抽象能力，和复杂函数表达能力。其在很多任务(如语音识别、图像识别、机器翻译等)都表现出了无可比拟的优势。深度置信网络(DBN)是在玻尔兹曼机的基础上发展起来一种新型神经网络，它是一种无监督的概率生成模型，可用来拟合原始输入数据的概率分布。整个网络的训练分为两步，先通过对比散度算法无监督的逐层训练各个RBM，再通过反向传播算法有监督微调网络参数，这种训练方法可以使网络参数更接近于全局最优。实践证明，DBN在很多医学图像处理任务中都有非常不错的表现，如Tuan等人将DBN与水平集结合用于心脏左心室的分割，取得了目前在该任务中最好的结果。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于DBN神经网络的MRI脑肿瘤图像分割方法，在DBN的基础上进行改进，并应用于脑MRI肿瘤的分割。

本发明采用以下技术方案：

一种基于DBN神经网络的MRI脑肿瘤图像分割方法，先从已有的病人脑MRI序列图像库中摘选出多幅作为训练样本，对其预处理并计算显著性图；然后下采样送入DBN神经网络先后进行无监督和有监督训练；训练完成后，将待分割的测试图像送入到网络进行分割，最后输出分割结果。

具体的，包括以下步骤：

S1、取脑MRI序列图像中的N帧图像划分为训练集和测试集，并进行数据的预处理；

S2、对每帧图像计算其显著性图，并对每幅显著图归一化；

S3、根据显著性图对训练集样本进行下采样；

S4、将步骤S3得到的训练集样本送入DBN网络进行通过对比散度法进行无监督预训练；

S5、将训练集样本和其标签同时送入网络，通过Adam算法微调网络参数；

S6、以测试集图像中每个像素点为中心，取其9*9区域并展成81维的列向量，送入训练好的网络中进行测试，输出每个像素点的分类标签，得到分割后的二值图，图像边缘上的点通过对称填补的方式来补充其周围缺失的像素值。