[发明专利]基于级联各向异性FCNN的三维脑肿瘤图像分割方法

权利要求书

1.一种基于级联各向异性FCNN的三维脑肿瘤图像分割方法，包括以下步骤：

(1)搭建各向异性FCNN模型；

(2)进行全肿瘤网络模型训练，并分割全肿瘤，方法如下：

第1步：将3D MRI脑肿瘤图像分为2D A-plane、C-plane和S-plane切片，顺序取相同数量的A-plane、C-plane和S-plane切片分别输入各向异性FCNN并进行全肿瘤网络模型WA、网络模型WC和网络模型WS的训练；

第2步：分别使用全肿瘤训练模型WA、WC、WS对3D脑肿瘤图像数据进行预测，并将预测平均值作为判别全肿瘤的最终结果。

(3)进行肿瘤核心网络模型训练，并分割肿瘤核心，方法如下：

第1步：根据全肿瘤和肿瘤核心的位置关系，即肿瘤核心位于全肿瘤区域内，以全肿瘤在上下、左右和前后六个方向上的边界值生成分割后的全肿瘤边界框，分别对全肿瘤边界框在六个方向上做5个像素的体积扩展；

第2步：将扩展后边界框内的图像区域分为2D A-plane、C-plane和S-plane切片，顺序取相同数量的A-plane、C-plane和S-plane切片分别输入各向异性FCNN并进行肿瘤核心网络模型TA、网络模型TC和网络模型TS的训练；

第3步：分别使用肿瘤核心训练模型TA、TC、TS对3D脑肿瘤图像数据进行预测，并将预测平均值作为判别肿瘤核心的最终结果。

(4)进行增强肿瘤网络模型训练，并分割增强肿瘤，方法如下：

第1步：根据肿瘤核心和增强肿瘤的位置关系，即增强肿瘤位于肿瘤核心区域内，以肿瘤核心在上下、左右和前后六个方向上的边界值生成分割后的肿瘤核心边界框，分别对肿瘤核心边界框在六个方向上做5个像素的体积扩展；

第2步：将扩展后边界框内的图像区域分为2D A-plane、C-plane和S-plane切片，顺序取相同数量的A-plane、C-plane和S-plane切片分别输入各向异性FCNN并进行增强肿瘤网络模型EA、网络模型EC和网络模型ES的训练；

第3步：分别使用增强肿瘤训练模型EA、EC、ES对3D脑肿瘤图像数据进行预测，并将预测平均值作为判别增强肿瘤的最终结果。

2.根据权利要求1所述的方法，其特征在于，步骤(1)搭建的模型如下：

第1步：使用20个卷积核大小为3×3×1的片内卷积层、4个卷积核大小为1×1×3片间卷积层以及2个2D下采样层Down提取脑肿瘤图像特征，片内卷积层使用膨胀卷积，设定膨胀系数为1至3，只采用2层下采样，下采样通过采用步长为2、卷积核大小为3×3×1的卷积层实现；

第2步：引入残差结构，各向异性FCNN有10个残差块，每个残差块内都包含两个片内卷积层；

第3步：在网络不同深度处使用反卷积，将多个中间特征图像上采样到输入图像分辨率进行级联叠加，并将级联后的特征图像输入到卷积层，融合局部特征信息和全局特征信息，随后通过SoftMax层输出每个体素点分别属于脑肿瘤和背景的概率。