[发明专利]融合条件随机与残差的三维U-Net大脑肿瘤分割方法

说明书

本发明提供了融合条件随机与残差的三维U‑Net大脑肿瘤分割方法，包括：对训练集进行三层级联网络架构训练，获得卷积神经网络的模型；通过卷积神经网络模型，对测试集进行测试，获得对应大脑肿瘤每一个分类的概率矩阵；对概率矩阵进行后处理，更新概率，获得最终的大脑肿瘤分割结果。本发明分步简化问题并且获得更好的效果，相较传统方法更有优势，其采用的网络具有更好的学习能力，并且引入残差块来减小网络层数加深带来的梯度爆炸、梯度消失和网络性能退化的影响；在最大程度上使用了三维空间的信息。

技术领域

本发明涉及数字图像处理技术领域，涉及大脑磁共振图像的处理方法，更为具体的说，是涉及一种融合条件随机与残差的三维U-Net大脑肿瘤分割方法。

背景技术

大脑磁共振图像的肿瘤分割是国际上的每年都有的一个类似比赛的项目，称为BraTS(Brain Tumor Segmentation)，这个比赛每年都会给参赛者提供临床的数据集。例如公开的BraTS2015的数据集，数据集中的所有图片都是磁共振图像(MRI)。而在这之前，分析和处理这些庞大且繁琐的磁共振图像(MRI)数据集，是通过医生或者专业研究人员通过手动提取出肿瘤的位置和肿瘤的组成成分，这样手动的分析不仅仅会消耗大量的人力和物力，而且效率低下，此外由于医生或者专业研究学者等操作人员往往带有自己的主观判断，这就给大脑的肿瘤分割结果带来了不可避免的错误。因此，近年来，计算机辅助分割大脑肿瘤成为了研究的热点，它不仅能够避免操作人员带来的主观因素造成的误差，还能解决人工分割消耗时间和精力的问题。

大脑磁共振图像的肿瘤分割作为大脑肿瘤诊断和治疗的前期工作，是一项非常重要的任务。而在神经胶质瘤中，含有四种类别的成分，分别为坏死(Necrosis)、水肿(Edema)、非增强性肿瘤(Non-Enhancing Tumor)以及增强型肿瘤(Enhancing Tumor)，在大脑磁共振图像的肿瘤分割任务中，需要将这四种成分以及背景分割出来。总所周知，分割任务实质上就是一种分类任务，而大脑磁共振图像的肿瘤分割任务也是一个五分类的任务，五类分别为坏死、水肿、非增强性肿瘤、增强型肿瘤以及其他大脑的背景成分。

因为大脑磁共振图像的肿瘤分割相对其他的二分类的分割问题较为复杂，所以手动分割大脑肿瘤的方法进行地非常缓慢，且非常繁琐，这就会给分割的结果带来误差，而且这样的误差很难消除，因此，手动分割得到的结果很难在临床大脑肿瘤的诊断和治疗上得到认可。这也就是最近几年来，大脑肿瘤自动分割越来越被需要，越来越被重视的原因。正是因为大脑结构的复杂以及大脑肿瘤分割任务的繁琐，计算机辅助的自动分割才能带来更精确的分割结果。

在深度学习应用在医学图像分割之前，根据图像的纹理特征分割，一直是分割任务的传统处理方法。在最近五年来，深度学习被大家所熟知，并且开始广泛应用在医学图像的分割上。随着卷积神经网络的快速发展，已经有多种网络模型应用在大脑磁共振图像的肿瘤分割上。在大脑磁共振图像的肿瘤分割上，方法不断更新，特别是在深度学习开始广泛应用在医学图像的分割上之后，国际上有很多研究者不断地在探索不同的网络、不同的方案，也不断地提出不同的思路。但这些方法也存在这样或那样的缺陷，例如网络层数加深虽然能够带来更为优良的分割结果，但随之带来的梯度爆炸、梯度消失和网络性能退化问题也不容忽视。

发明内容

为解决上述问题，本发明公开了使用基于多模态的三层级联网络架构，设计了一种新的大脑肿瘤分割方法，引入三层级联的结构，使得分割问题分步，比起传统直接5分类的方法更加具有优势，同时使用U-Net作为分割网络，实现端到端的大脑肿瘤分割。

为了达到上述目的，本发明提供如下技术方案：

融合条件随机与残差的三维U-Net大脑肿瘤分割方法，包括如下步骤：

步骤1，对训练集进行三层级联网络架构训练，获得卷积神经网络的模型

步骤1-1，对Flair、T1、T1c、T2四种模态磁共振图像进行预处理，磁共振图像数据为三维矩阵形式；