[发明专利]基于FCN的腹部多器官核磁共振图像分割方法、系统及介质

权利要求书

1.一种基于FCN的腹部多器官核磁共振图像分割方法，其特征在于实施步骤包括：

1)获取输入的腹部多器官核磁共振图像并进行数据预处理、图像归一化操作；

2)将归一化后的腹部多器官核磁共振图像输入完成训练的高分辨率全卷积神经网络模型得到最终预测图，所述高分辨率全卷积神经网络模型被预先训练建立了归一化后的腹部多器官核磁共振图像及其对应的最终预测图的映射关系；

3)将最终预测图使用激活函数激活得到预测得分图，且在每个像素位置取预测得分最高的类别作为该像素位置的预测标签类别，得到最终的分割预测图；

所述高分辨率全卷积神经网络模型包括第一卷积模块、多分辨率并行-融合模块和最终卷积模块三个部分，且三个部分除了最终卷积模块最后的卷积层不包括激活操作之外其他所有部分的卷积层都包括卷积操作、批量归一化操作和激活操作，且第一卷积模块、多分辨率并行-融合模块两个部分使用的瓶颈块结构相同；所述多分辨率并行-融合模块包括多个并行的并行-融合模块，每一个并行-融合模块对应着不同分辨率大小和通道数的特征图以实现对不同分辨率的特征图并行卷积操作，每一个并行-融合模块都由并行部分、融合部分这两部分组成，并行部分用于对上一个模块输出的多个特征图进行多分支并行的卷积操作，融合部分对并行部分输出的多个不同分辨率的特征图，经过上采样和下采样后在通道维度拼接，实现不同分辨率特征之间的相互融合，并且除最后一个多分辨率并行-融合模块以外的最后一个分支融合结果进行下采样，使得下一个分辨率并行-融合模块增加一条新分辨率的并行分支；所述多分辨率并行-融合模块包括4个并行的并行-融合模块MP-FM1～MP-FM4；

步骤2)之前还包括训练高分辨率全卷积神经网络模型的步骤，详细步骤包括：

S1)获取腹部多器官MR图像的训练集数据，包括MR图像X_train，分割标签图Y_train和测试集数据MR图像X_test；

S2)对训练集中MR图像X_train及其对应的分割标签图Y_train进行数据预处理，分别得到预处理后的MR图像X_processed、预处理后的分割标签图Y_processed；

S3)打乱经过步骤S2)预处理后的训练集顺序，针对预处理后的MR图像X_processed进行随机数据增强得到增强后的MR图像X_aug；

S4)针对增强后的MR图像X_aug进行归一化处理得到MR图像X_norm；

S5)在归一化处理处理后的MR图像X_norm中取一个批量输入到高分辨率全卷积神经网络模型，在高分辨率全卷积神经网络模型的多分辨率并行-融合模块中的每一个并行-融合模块的第一条分支得到的特征图；

S6)将得到的多个特征图分别输入到对应的深度监督模块DSV_i以及最终卷积模块，从而分别得到对应的预测图；

S7)将得到的预测图分别经过softmax函数激活得到多类别预测得分图，并与步骤S2)中得到该批量输入对应的预处理后的分割标签图Y_processed根据设定的损失函数，计算训练阶段总损失；且计算训练阶段总损失的函数表达式为：

Loss_total＝Loss₀+Loss₁+Loss₂+Loss_final，

上式中，Loss_total为训练阶段总损失，Loss₀，Loss₁，Loss₂分别为并行-融合模块MP-FM1、并行-融合模块MP-FM2和并行-融合模块MP-FM3的第一个分支的输出的特征图X_{MPFM_1_1}，X_{MPFM_2_1}和X_{MPFM_3_1}分别经过深度监督模块DSV后在输出的预测结果上与分割标签图计算损失函数；Loss_final为并行-融合模块MP-FM4的输出的特征图经过最终卷积模块的输出的最终预测图计算损失；其中深度监督模块DSV、最终卷积模块两者结构相同，均包括两个级联连接的1*1卷积层；

S8)使用随机梯度下降算法更新网络参数；

S9)判断训练集数据是否全部经过网络一轮，如果没有则跳转执行步骤S5)；

S10)判断训练过程是否达到预设的迭代轮次，如果尚未达到预设的迭代轮次则跳转执行步骤S3)；否则判定高分辨率全卷积神经网络模型训练完成。