[发明专利]一种网格网络的大脑磁共振图像肿瘤定位方法

权利要求书

1.一种网格网络的大脑磁共振图像肿瘤自动定位方法，其特征在于，包括如下步骤：

步骤1，定义基于残差网络的三维深度卷积神经网络的骨干网络，具体包括如下子步骤：

1-1，将输入的三维MRI图像数据X：(L,W,H,1)进行步长为2，kernel为[3,3,3]的三维卷积操作，三维卷积的卷积核数量设置为C1，生成数据Y1：(L/2,W/2,H/2,C1)，其中，L，W，H分别为原始图像的长，宽，高；

1-2，定义一个步长为1，kernel为[3,3,3]的三维卷积SSCNN；

1-3，将数据Y1：(L/2,W/2,H/2,C1)进行一次SSCNN卷积，卷积核的数量设定为C1，生成卷积后的结果Y1_1：(L/2,W/2,H/2,C1)，再进行一次SSCNN卷积，卷积核的数量设定为C1，生成卷积后的结果Y1_2:(L/2,W/2,H/2,C1)，最后将Y1和Y1_2每一个元素相加操作，生成数据Y2：(L/2,W/2,H/2,C1)；

1-4,将数据Y2：(L/2,W/2,H/2,C1)进行一次SSCNN卷积，卷积核的数量必须设定为C1，生成卷积后的结果Y2_1：(L/2,W/2,H/2,C1)，再进行一次SSCNN卷积，卷积核的数量必须设定为C1，生成卷积后的结果Y2_2:(L/2,W/2,H/2,C1),最后将Y2和Y2_2每一个元素相加操作，生成数据Y3：(L/2,W/2,H/2,C1)；

1-5，将数据Y3：(L/2,W/2,H/2,C1)进行步长为2，kernel为[3,3,3]的三维卷积操作，三维卷积的卷积核数量指定为C2,生成数据Y4：(L/4,W/4,H/4,C2)；

1-6，重复步骤1-3，1-4，1-5两次，最后执行一次步骤1-3，1-4得到根据图像提取的特征Y：(L/16,W/16,H/16,C)，其中C为最后重复1-4中的卷积核数量；

步骤2，定义网格肿瘤定位网络，具体包括如下子步骤：

2-1，将骨干网络输出的特征图Y：(L/16,W/16,H/16,C)进行一次SSCNN卷积,卷积核的数量设定为C3，得到数据G1(L/16,W/16,H/16,C3)；

2-2，再将数据G1(L/16,W/16,H/16,C3)进行一次kernel为1×1×1，在长、宽、高上步长分别为(L/16)/N,(W/16)/M,(H/16)/K的三维卷积操作，卷积核的数量设定为2，得到数据G：(N,M,K,2),其中N，M，K分别表示设定的原始图像在长宽高上的划分个数；

2-3，将得到数据G：(N,M,K,2)通过Softmax操作，转化成原始图像每个网格包含肿瘤块和不包含肿瘤块的类别概率G1：(N,M,K,2)，通过类别概率的大小，将类别概率值大的类别赋予当前的图像块，最后将所有包含肿瘤的图像块整合起来，形成完整的肿瘤块的定位；

步骤3，对三维大脑MRI图像进行肿瘤定位，具体包括如下子步骤：

3-1，将三维核磁共振图像分为N×M×K个三维图像块，每个三维图像块的大小为(H/N)×(W/M)×(L/K)，其中，H，W，L分别表示原始三维核磁共振图像的长，宽，高；

3-2，对三维核磁共振图像进行网格化的标签，网格的类别包括包含肿瘤的图像块，以及不包含肿瘤的图像块；

3-2，将三维核磁共振图像放入步骤1的网络中，产生(L/16)×(W/16)×(H/16)×C的特征图；

3-3，将获得的特征图像放入步骤2的网络结构中，产生N×M×K×2的每个网格分类，分类为包含肿瘤块和不包含肿瘤块两种，对肿瘤完成定位。

2.根据权利要求1所述的网格网络的大脑磁共振图像肿瘤自动定位方法，其特征在于，所述步骤3-2中还包括如下过程：设定一个阈值，称这个阈值为“网格正例阈值”，同时设图像块中，标记为肿瘤的三维像素点占三维图像块像素的比例为“肿瘤比例”；当肿瘤比例大于或等于网格正例阈值的时候，标定这个图像块为包含肿瘤的图像块，当肿瘤比例小于网格正例阈值的时候，标定这个图像块为不包含肿瘤的图像块。

3.根据权利要求1所述的网格网络的大脑磁共振图像肿瘤自动定位方法，其特征在于，所述步骤1中三维卷积操作通过如下公式实现：

为三维卷积核，为偏置项，f为非线性的激活函数。

4.根据权利要求1所述的网格网络的大脑磁共振图像肿瘤自动定位方法，其特征在于，所述步骤2中Softmax操作通过如下公式完成：

其中P表示对于输入X预测类别c的为正例的伪概率，表示对于输入X在第C 层的特征图的分类激活响应。