[发明专利]一种基于分块深度学习的医学图像处理系统及其方法

权利要求书

1.一种基于分块深度学习的医学图像处理系统，包括预处理模块、分类模块、聚类模块和分割模块，其特征在于：所述预处理模块输出端设有分类模块，所述分类模块输出端设有聚类模块，所述聚类模块输出端设有分割模块；

所述预处理模块包括了对原始MRI三维图像的裁剪和全局归一化等标准操作，其中裁剪负责将医学图像的边缘空白区域去除，使后续处理可以集中处理需要关注的区域，切块负责对预处理后的MRI三维图像进行切块的操作；

所述分类模块设置为一个带残差连接的全卷积神经网络，用于分别判断小切块有无胶质瘤，小切块经过分类模块后若被识别为无瘤将不再关注和处理；

所述聚类模块对分类后得到的所有的有瘤切块将进行聚类，主要使用ResNet50神经网络和T-SNE降维算法和Kmeans聚类算法；

所述分割模块设置为一个级联多视图融合的全卷积神经网络，用于对聚类后每个簇的有瘤切块进行分割胶质瘤的操作，分割的结果汇总得到大脑胶质瘤切割结果。

2.一种基于分块深度学习的医学图像处理的方法，其特征在于：处理步骤如下：

步骤一：训练阶段，具体步骤如下：

S1.1、将MRI的3D图片导入预处理模块内，预处理模块对原始训练集中MRI的3D图片进行预处理和切块操作；

S1.2、通过训练数据中专家对MRI的3D图片的胶质瘤手工切割结果将胶质瘤划分为有胶质瘤小切块集合和无胶质瘤小切块结合，简称为有瘤切块和无瘤切块，将有瘤切块和无瘤切块作为训练数据对神经网络进行训练，得到能判断小切块有无瘤的分类器；

S1.3、对S1.2中的有瘤切块进行提取特征操作，然后对有瘤切块进行聚类后得到N个有瘤切块的簇，并在聚类过程中聚类成聚类模型；

S1.4、将S1.4中聚类后的每一簇的有瘤切块为训练数据集对多视图融合的全卷积神经网络进行训练，对有瘤切块进行分割胶质瘤操作；

步骤二：使用阶段，具体步骤如下：

S2.1、对测试集中MRI的原始3D图片进行预处理和切块操作；

S2.2、通过分类器对小切块分类成有瘤切块和无瘤切块两个集合；

S2.3、从有瘤切块集合中的切块图片提取特征，然后通过聚类模型后得到有瘤切块所属的簇；

S2.4、根据切块图片的所属的簇选择对应的分割胶质瘤的多视图同和的全卷积神经网络，小切块的3D图片通过神经网络后将得到每个小切块分割胶质瘤的结果；

S2.5、重组小切块图片分割胶质瘤的结果，得到原始MRI的3D图片分割胶质瘤的结果。

3.根据权利要求2所述的一种基于分块深度学习的医学图像处理的方法，其特征在于：所述分类模块使用神经网络判断切块是否有瘤，建立局部神经网络和全局神经网络，具体如下：

局部神经网络利用小切块所拥有的原始MRI图片的局部信息判断小切块是否为有瘤切块，使用传统的图片分类想法，神经网络的输入数据为分类图片的所有像素，神经网络的输出为一个二维的向量，其经过Softmax函数后可以得到小切块属于有瘤切块和无瘤切块的概率；

全局神经网络将几个相邻的切块合并成切片，再利用MRI图片上每片切片的全局信息对其中的小切块进行是否有瘤的判断，在对小切块进行分类时需要小切块附近正常组织的信息，以及整个大脑的全局信息来判断小切块是否为有瘤切块。

4.根据权利要求2所述的一种基于分块深度学习的医学图像处理处理的方法，其特征在于：所述分割模块将MRI的原始3D图片水平面上的切片作为神经网络的输入，切片宽度上的大小为坐标系中切片在Y轴上的长度，切片长度的大小和高度上的大小为坐标系中切片在X轴和Z轴上的长度，激活函数使用PReLU激活函数，构建第一卷积层和第二卷积层，第一卷积层中Padding为Same，其作用为通过两个连续的第一卷积层，并在其两端加上残差连接来有效提取切块的X轴和Z轴方向的特征，第二卷积层的padding为Valid，其作用为提取切片宽度上的特征，使切片的尺寸在宽度上减少，模型通过公式计算决定神经网络第二卷积层的层数卷积核大小以及卷积步长大小，计算公式具体为：

其中WxW代表的是输入图片的大小，FxF代表的是卷积核的大小，SxS代表的是卷积步长的大小，而P则代表padding操作的补位大小，NxN代表的是输出图片的大小。