[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

说明书

本发明公开了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，涉及图像信息处理技术领域，其包括如下步骤：对原始的核磁共振图像进项预处理；采用基于空洞卷积和U‑Net的三维分割模型，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；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；从分割概率图映射到原图，得到最终的分割图。达到了利用深度学习的方法自动分割三维乳腺癌核磁共振图像中肿瘤区域的效果。

技术领域

本发明涉及图像信息处理技术领域，特别涉及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。

背景技术

乳腺癌是一种发病率和死亡率都很高的恶性肿瘤，对于女性健康的有着巨大威胁。核磁共振图像在乳腺癌的早期诊断和后续的治疗中都起到非常重要的作用，医生可以通过核磁共振图像去评估肿瘤恶性程度，分析肿瘤区域的形态，进而影响相关的诊断和治疗。

一般分割乳腺癌肿瘤区域主要是依靠影像科医生进行手动标记，耗时耗力。由于近年来计算机的存储性能和计算性能的大幅度提高，借助计算机进行肿瘤区域分割，辅助诊断已经慢慢流行开来。计算机辅助系统（CAD）的目的是为了辅助医生，给医生提供客观准确的信息，帮助医生得到更加准确的诊断结果和制定更加合理的治疗方案。

由于核磁共振图像的复杂性，相关的分析仍然十分困难。在我国，基于影像图像的研究已经逐渐展开，一些基于二维平面的乳腺肿瘤区域分割方法开始出现，但是二维肿瘤区域分割仍然不能全面地反应肿瘤区域的形态，一种基于深度学习的三维乳腺肿瘤分割方法就显得非常重要。高效准确的三维乳腺肿瘤分割方法可以提供更多肿瘤的形态特征，为乳腺癌的诊断和治疗提供的大量有用的信息，减轻医生负担，加快医生诊断速度和治疗方案的制定，为病人争取宝贵的治疗时间。

发明内容

本发明的目的是提供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，利用深度学习的方法自动分割三维乳腺癌核磁共振图像中肿瘤区域。

本发明的上述技术目的是通过以下技术方案得以实现的：

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，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。

更进一步地，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。

更进一步地，步骤S14中的标准化处理方法为z-score方法。