[发明专利]一种网格网络的大脑磁共振图像肿瘤定位方法

说明书

本发明提供了一种一种网格网络的大脑磁共振图像肿瘤自动定位方法，提出了一种新的三维物物体检测方法，采用一种浅层的三维卷积神经网络模型提取图像特征，采用网格方式进行分类定位。本发明包括：从基于残差网络的三维深度卷积神经网络的骨干网络中获得图像的特征，基于骨干网络获得的特征图像进行大脑肿瘤定位。本发明能较好地应用于大脑核磁共振图像，实现三维核磁共振图像中的肿瘤区域定位，定位结果准确，且计算资源代价较低。

技术领域

本发明属于属于数字图像领域，涉及磁共振图像处理方法，具体涉及一种网格网络的大脑磁共振图像肿瘤自动定位方法。

背景技术

随着计算机视觉技术的不断发展，借助广泛存在的摄像头，很多技术都已经被应用到了大家的日常生活中。虽然目前更广泛存在的是二维图像，但是在一些特定场景，三维图像能带来对现实世界更真实的反映。比如借助核磁共振技术我们能获得生物体内部器官的状态信息，借助RGB-D图像能进一步提升自动驾驶的安全性等等，因此研究高性能的三维视觉模型有着很高的现实意义。

核磁共振成像是针对人体内部结构的成像技术，对核磁共振成像的研究具有很高的价值：首先，肿瘤的自动定位可以在一定程度上降低医生的工作负担，在医疗资源紧缺的今天，这项技术的研究可以让更多病人有得到诊断的机会；其次，通过算法对核磁共振图像的检查和医生检查结合，可以降低误判或者是漏判的风险，在肿瘤诊断的过程中如果发生漏判，病人很可能因此错过最佳的治疗时机，后果十分严重。而使用三维图像进行肿瘤的分割定位，由于三维图像的空间信息更丰富，我们有更大的把握生成高精度的结果。

ImageNet等一系列的视觉挑战催生了大量的优秀的二维视觉模型如VGG，ResNet等等。这些高性能二维模型都存在对计算资源要求较高的问题，尽管借助GPU的并行计算能力很多算法已经能以较高的速度运行，但是如果将这些模型直接转化为对应的三维模型必然会造成几十倍，甚至上百倍的计算代价的提升。另外，中间结果的存储，模型参数的增长也会带来巨大的显存开销。同时，快速增长的模型参数数量也会使得模型在

发明内容

为解决上述问题，本发明通过对现存的三维图像的深度学习模型进行探究，不断优化调整网络结构的方法，提出了一种新的三维物物体检测方法，采用一种浅层的三维卷积神经网络模型提取图像特征，采用网格方式进行分类定位。

为了达到上述目的，本发明提供如下技术方案：

一种网格网络的大脑磁共振图像肿瘤自动定位方法，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)；