[发明专利]基于多尺度特征金字塔的3D CNN鼻咽癌分割方法

说明书

本发明涉及图像分割领域中的鼻咽部肿瘤图像分割技术，具体的说是一种基于多尺度特征金字塔的3D CNN鼻咽癌分割方法。针对训练样本，需要由有经验的放射科肿瘤医师对若干鼻咽癌病例进行标注，使用整个三维MRI图像建立数据集，并对数据集进行一定的预处理，然后用网络对训练数据集进行训练，取得高精度的分割模型。对于新的病例，可以用该分割模型分割其MRI图像。相对传统的方法，除了训练阶段需要人工标注外，其余部分均可实现自动处理，大大降低对于有经验医师的需求，且与五种主流网络对比能取得较高的精度。

技术领域

本发明涉及图像分割领域中的鼻咽部肿瘤图像分割技术，具体的说是一种基于多尺度特征金字塔的3D CNN鼻咽癌分割方法。

背景技术

鼻咽癌是鼻咽组织结构中最常见的癌症之一，常发生于鼻咽腔顶部和侧壁的恶性肿瘤。该病是全球高发恶性肿瘤之一，发病率为耳鼻咽喉恶性肿瘤之首，占所有癌症疾病1％。与其他类型的肿瘤如肺肿瘤相比，鼻咽肿瘤具有更复杂的解剖结构。它在空间上与处理类似图像强度的几种组织(空气，骨骼，肌肉和粘膜)很相似，且鼻咽癌的形状和大小、以及非均匀肿瘤强度方面差异较大，因此，需要设计特定的分割方法。而且传统鼻咽癌的诊断具有局限性，临床医生需要借助医学专业知识手动查阅或标注鼻咽癌的边界。由于鼻咽癌是三维MRI图像，按层手动处理过程较繁琐、耗时且容易出错。为了提高处理效率和肿瘤定位的准确性，临床医生通常借助计算机辅助工具来处理任务，因此采用计算机自动分割算法来辅助医生精准定位鼻咽癌成为一种必要需求。

最近，自然图像分割技术被广泛研究与应用，这也促进了医学图像分割的发展。然而，由于自然图像与医学图像的组织结构在形状和大小上存在高度差异性，使得医学图像分割仍然是一个巨大的挑战。近年来，大量文献提出了各种基于机器学习的自动分割算法用于有效解决不同分割问题。卷积神经网络(Convolutional Neural Network，CNN)作为最成功的计算机视觉方法之一被作为核心算法广泛应用于图像分割中。CNN代表了一类深度学习算法。不同CNN框架的相同点在于通过级联数十或者上百个卷积层来提取图像的高阶、复杂的语义特征。传统的计算机视觉算法需要有图像领域经验的人手动提取图像特征，而CNN是由数据驱动，是一种端到端的算法，可自动学习有利于任务的特征，不需要人工干预。CNN的内核权重可通过梯度自动寻找到最优的值来适应目标问题。这种优势降低了为不同任务开发不同算法的成本，但训练CNN需要大量手动标注的训练数据。从全卷积神经网络(Fully Convolutional Neural Network，FCN)的结构开始，大量研究人员试图整合CNN来分析医学图像。例如，胸部CT筛查检测结节，智能手机相机诊断皮肤癌。