[发明专利]一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法

权利要求书

1.一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于，包括如下步骤：

步骤S10：核磁共振图像的预处理：对原始的核磁共振图像进项预处理；

步骤S20：分割模型训练：采用基于空洞卷积和U-Net的三维分割模型，其以4层U-Net作为基础模型，在编码阶段使用空洞卷积替换原来的传统卷积，在编码器的最后一层，使用三维的ASPP模块；

解码器阶段，在每次反卷积后都跟随一个的卷积层来组合全部特征，然后再与编码器对应的特征图级联；

最后通过训练逐步得到网络模型的各种参数；

步骤S30：分割模型测试：根据步骤S2得到的模型，将测试图像做相同的预处理，然后送入模型测试，得到相应的概率图；

步骤S40：后处理部分：从步骤S3得到的分割概率图映射到原图，得到最终的分割图。

2.根据权利要求1所述的一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于：步骤S10中的预处理包括：

步骤S11：利用k-means算法聚类出最能体现肿瘤区域的图像强度值范围，将每张图像的强度值规范化到指定范围内；

步骤S12：调节体素间距，使得体素间距都为；

步骤S13：把每张图片裁剪到像素；

步骤S14：对数据进行标准化处理。

3.根据权利要求2所述的一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于：步骤S14中的标准化处理方法为z-score方法。

4.根据权利要求1所述的一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于：

步骤S20中，使用空洞卷积替换原来的传统卷积的过程具体为：编码器阶段，先使用两层通道数为32，卷积核大小为、扩张系数为2的空洞卷积层和一层卷积核为的池化层，图像大小变为原来一半；再使用两次同样的操作，但通道数分别为64、128，最后使用两次通道数为256的卷积层来获得更多的底层特征；编码器的最后一层，使用三维的ASPP模块以获取更多特征信息。

5.根据权利要求4所述的一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法，其特征在于：解码器阶段，先使用通道数为256、卷积核为、步长为1的卷积层和一层通道数为256、卷积核为、步长为2的上采样层，接着和解码器对应特征图部分进行级联，然后进行了上面两次同样的操作，但是通道数分别为变128、64；然后，再使用两次通道数分别为32、16、卷积核为、步长为2的卷积层；最后使用两层通道数分别为为2、1、卷积核为、步长为1、激活函数为sigmoid的分类层。