[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

说明书

本发明公开了一种基于分块深度学习的医学图像处理系统及其方法，具体涉及图像处理领域，包括预处理模块、分类模块、聚类模块和分割模块，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。本发明通过试探性方法将图像合理地切分成较小尺寸的切块、通过分别对小切块进行分析识别处理、最后汇总完成整体处理任务的方案，保持足够高的识别效果的前提下，可以节省超过一半的分析处理时间，最终深度网络的规模也显著下降，可以在成本较低的深度学习环境下部署实施，实现以高效率低成本的绿色计算，支持智慧医疗。

技术领域

本发明涉及图像处理领域，更具体地说，本发明涉及一种基于分块深度学习的医学图像处理系统及其方法。

背景技术

近年来，神经网络特别是深度网络在图像处理和自然语言处理等诸多领域越来越广泛，这和当前GPU显卡提供不断增强增大的计算能力和显存容量不无关系。

当前尚未很好解决的问题之一是：随着使用的神经网络的层数越来越多，所需的显存仍可能超过显卡可提供的显存导致存在显存不足的问题，称为内存溢出(OutOfMemory，OOM)。该问题在基于深度学习的图像处理领域尤其显著。在设计神经网络架构处理该领域问题时，需考虑平衡神经网络复杂度、所需显存和准确率等诸多因素，其中设计神经网络架构时不仅需要考虑神经网络的层数和感受野(神经网络输出的特征图中一个像素能感受神经网络输入图片像素的范围)，还需考虑神经网络参数所需显存是否会过于庞大而出现内存溢出。在不断追求更高准确率的情况下，神经网络往往需要把感受野设计得很大以获取更高维的特征，但感受野更大也意味着神经网络更加复杂，对显存要求更高，即使在使用性能强大的GPU进行神经网络训练也仍需迭代庞大的次数才能成功训练，需时也更长。

目前对上述问题仍未有有效的解决方式，因此，发明一种基于分块深度学习的医学图像处理系统及其方法很有必要。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种基于分块深度学习的医学图像处理系统及其方法，通过试探性方法将图像合理地切分成较小尺寸的切块、通过分别对小切块进行分析识别处理、最后汇总完成整体处理任务的方案，保持足够高的识别效果的前提下，可以节省超过一半的分析处理时间，最终深度网络的规模也显著下降，可以在成本较低的深度学习环境下部署实施，实现以高效率低成本的绿色计算，支持智慧医疗，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于分块深度学习的医学图像处理系统，包括包括预处理模块、分类模块、聚类模块和分割模块，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。

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；