[发明专利]基于卷积神经网络的脑肿瘤图像自动分割方法

说明书

本发明公开了基于卷积神经网络的脑肿瘤图像自动分割方法，包括如下步骤：采集脑肿瘤的多模态MRI图像并进行图像预处理，获得原始图像集；构建基于多模态MRI图像的脑肿瘤分割的框架；所述框架包括模块一与模块二，模块一包括以3d卷积神经网络、残差单元以及转置卷积为基础构成并行的深度反卷积神经网络；模块二包括在所述模块一中的深度反卷积神经网络结构基础上添加跳跃结构；通过若干次迭代训练，获得理想权值，并输出脑肿瘤图像的分割图；测试与评价图像分割结果。本发明有效的解决脑肿瘤分割图像分割准确率低的问题；可以提升肿瘤的可识别性，使图像预处理操作更加便捷；在分割模块中使用基于d系数的loss函数可以有效的解决类别不平衡的问题。

技术领域

本发明涉及医学图像分割和深度学习领域，特别涉及基于卷积神经网络的脑肿瘤图像自动分割方法。

背景技术

医学图像分割是图像分析处理中的一项关键技术，根据图像内区域的相似性以及特异性将感兴趣的有关组织分离出来，对于临床诊断和治疗过程具有重要意义，是一切后续工作的主要前提，分割效果的好坏程度会直接影响到信息处理工作的顺利进行。关于脑肿瘤的医学图像分割作为图像分割领域的一个重要分支，脑肿瘤的分割技术在脑肿瘤的临床诊断和治疗过程中起着重要的作用，通过对脑肿瘤的分割结果，医生可以测量肿瘤的大小位置、制定手术计划、病情跟踪分析等等，并且随着MRI(Magnetic Resonance Imaging)技术日渐应用广泛，脑肿瘤的检出率大大增加。

多模态MRI图像即是指利用不同的MRI脉冲序列对同一人体进行磁共振成像，由于成像条件有所不同所以得到的图像就有一定的区别，这样的一组图像被称为多模态MRI图像(Flair、T1、T2、T1C等模态)，其中Flair模态MRI图像中包含着最大限度的病变组织信息，T1模态MRI图像可以突出组织T1弛豫(纵向弛豫)差别，在观察解剖结构方面有较好的应用价值，T2模态MRI图像在确定病变范围上有重要的作用，T1C模态MRI图像是在T1WI模态的基础上增强对比度的图像，可以更加明显的观察脑部结构，多模态MRI图像可以显示更多的信息，相对于单模态MRI图像来讲，利用多模态MRI图像对病灶的准确提取分割更有成效。

近年来，脑肿瘤图像分割技术得到了快速的发展，与此同时，深度学习发展迅猛，目前绝大多数自然场景的分割方法基于卷积神经网络，卷积神经网络具有提取图像特征的优点，被广泛应用于目标分类以及识别任务中，随着技术迭新，全卷积网络图像语义分割得到广泛应用，使得分割任务能够端到端地从原始图像中预测出稠密的分割结果。基于MRI图像的脑肿瘤分割，随着深度学习技术的引入，传统的分割方法产生越来越难以适应，存在脑肿瘤图像分割粗糙、类别不平衡以及图像预处理时间过长的技术问题。

发明内容

本发明的目的在于：提供了一种基于卷积神经网络的脑肿瘤图像自动分割方法，解决了现有技术中脑肿瘤图像分割粗糙、类别不平衡以及图像预处理时间过长的技术问题。

本发明采用的技术方案如下：

基于卷积神经网络的脑肿瘤图像自动分割方法，包括脑肿瘤的多模态MRI图像，还包括如下步骤：

步骤1、采集脑肿瘤的多模态MRI图像并进行图像预处理，获得原始图像集；

步骤2、构建基于多模态MRI图像的脑肿瘤分割的框架；所述框架包括模块一与模块二，模块一包括以3d卷积神经网络、残差单元以及转置卷积为基础构成并行的深度反卷积神经网络，用于输出脑肿瘤分割图像轮廓图；模块二包括在所述模块一中的深度反卷积神经网络结构基础上添加跳跃结构，用于输出脑肿瘤图像的病变区域分割图；

步骤3、将步骤1所述的原始图像集输入所述步骤2中框架的模块一中，再分选出理想集作为所述步骤2中模块二的训练样本，通过若干次迭代训练，获得理想权值，并输出脑肿瘤图像的分割图；

步骤4、测试与评价图像分割结果。