[发明专利]基于多尺度迁移学习的MRI胰腺图像分割方法

权利要求书

1.一种基于多尺度迁移学习的MRI胰腺图像分割方法，其特征在于，包括如下：

(1)使用正电子发射断层扫描PET设备对人体胰腺部位进行成像，得到PET图像序列，记为PET图像数据集X,使用磁共振成像MRI设备对人体胰腺部位进行成像，得到MRI图像序列，记为MRI图像数据集Y，其中，PET图像是三维全身成像，MRI是二维成像；

(2)对PET图像数据集X中的胰腺部位进行标记，得到PET胰腺参考数据集X_T，对MRI图像数据集Y中的胰腺部位进行标记，得到MRI胰腺参考数据集Y_T；

(3)对PET图像数据集对{X,X_T}进行扩充，得到扩充的PET图像数据集对{P,P_T},对MRI图像数据集对{Y,Y_T}进行扩充，得到扩充的MRI图像数据集对{M,M_T}；

(4)对扩充的PET图像数据集对{P,P_T}中P的每张PET图像和扩充的MRI图像数据集对{M,M_T}中M的每张MRI图像进行归一化操作，即将图像灰度值映射到区间[0,1]，对扩充的PET图像数据集对{P,P_T}中P_T的每张PET胰腺参考图像和扩充的MRI图像数据集对{M,M_T}中M_T的每张MRI胰腺参考图像进行灰度转换操作，即将二值图像转换成浮点数；

(5)对扩充的PET图像数据集对{P,P_T}和扩充的MRI图像数据集对{M,M_T}中的每张PET图像和MRI图像及其对应的胰腺参考图像进行裁剪，得PET图像数据集对{D_P,G_P}和MRI图像数据集对{D_M,G_M}；

(6)搭建基于PET图像的编码器-解码器网络N，并初始化：

(6a)根据得到的PET图像数据集对{D_P,G_P}，通过交叉验证搭建一个包括输入层、特征提取层、下采样层、反卷积层和输出层的25层网络，构成基于PET图像的编码器-解码器网络N，网络的输入为PET图像，输出为胰腺分割结果图像；

(6b)用MSRA初始化方法初始化网络的权值W_PET，并将网络的所有偏置b_PET初始化为0；

(7)使用PET图像数据集对{D_P,G_P}，训练基于PET图像的编码器-解码器网络N，得到训练好的分割网络N_T；

(8)搭建基于多尺度迁移学习的编码器-解码器MRI分割网络M，并初始化：

(8a)根据MRI图像数据集对{D_M,G_M}，通过交叉验证搭建一个包括两条支路构成的基于多尺度迁移学习的编码器-解码器MRI分割网络M，其中，第一支路依次连接第一多尺度卷积层、第二多尺度卷积层、第三多尺度卷积层、第四多尺度卷积层、第一上采样层、第一特征提取层、第二上采样层、第二特征提取层、第三上采样层、第三特征提取层和输出层；将编码器-解码器网络N_T中的第2层到第9层对应的结构和权重迁移到MRI分割网络M中，并在训练过程中保持不变，构成其第二支路；在第一上采样层，将第三多尺度卷积层提取的多尺度图像特征和第二支路中的第9卷积层提取的图像特征融合输出；第二上采样层，将第二多尺度卷积层提取的多尺度图像特征和第二支路中的第6卷积层提取的图像特征融合输出；第三上采样层，将第一多尺度卷积层提取的多尺度图像特征和第二支路中的第3卷积层提取的图像特征融合输出；该网络的输入为MRI图像，输出为胰腺分割结果图像；

(8b)用MSRA初始化方法初始化MRI分割网络M的权值W_MRI，并将MRI分割网络M的所有偏置b_MRI初始化为0；

(9)使用MRI图像数据集对{D_M,G_M}，训练基于多尺度迁移学习的编码器-解码器MRI分割网络M，得到训练好的MRI分割网络M_T；

(10)将一张完整的MRI图像X_M输入到训练好的MRI分割网络M_T中，经过该分割网络M_T的前向传播，得到胰腺分割结果图像A_T。