[发明专利]基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统

说明书

本发明提供了一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法及其系统，包括：构建多尺度空洞卷积神经网络模型；获取多模态MRI脑肿瘤图像，通过多尺度空洞卷积神经网络模型提取多模态MRI脑肿瘤图像的三维特征图；对三维特征图进行上采样，使提取的三维特征图还原到原始的尺寸；对原始尺寸的三维特征图进行信息融合得到脑肿瘤分割结果。通过构建多尺度空洞卷积神经网络模型，将多模态MRI脑肿瘤图像输入多尺度空洞卷积神经网络模型，输出脑肿瘤分割结果。本发明解决了在三维脑肿瘤分割中信息易丢失的问题，提高了分割的效率和准确率，实现了脑肿瘤的自动分割、检测与可视化，为脑肿瘤的诊断、手术治疗提供直观、量化参考。

技术领域

本发明涉及医学图像分割和深度学习技术领域，尤其涉及一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统。

背景技术

医学图像分割是医学图像定量分析的关键步骤之一，当前的临床辅助诊断、图像引导的外科手术和放射治疗中，医学图像分割技术显示出越来越重要的临床价值。由于医学图像种类繁多，常规影像包括磁共振(MR)成像、计算机断层(CT)成像、正电子发射计算机断层显像(PET)、超声(US)成像等，其中MR成像还可以产生多种不同时间参数序列的图像模态。为此，医学图像分割技术已成为面向不同的影像模态、临床目标、特定解剖学部位的一种独特的应用科学体系。现阶段恶性肿瘤是我国居民死亡的主要原因之一,其中脑肿瘤在人群中的发病率较高,脑胶质瘤更是最常见的原发性脑肿瘤。随着现代成像技术的不断发展,尤其是MRI 成像技术,为我们评估脑肿瘤的情况和选择治疗方案提供了有利的帮助。脑肿瘤分割的精准度更是医生诊断患者病症信息的关键。脑肿瘤结构复杂、形状多变、灰度不均匀以及在不同的患者身上表现出相当大的差异性。人工分割MRI脑肿瘤图像耗时耗力,并且常常会受到主观差异的影响,而精确分割三维脑肿瘤MR图像对于脑肿瘤的诊断，治疗以及术后追踪都有着非常重要的意义。

近年来脑肿瘤分割方法主要采用基于聚类、边缘检测、全局二值化及其改进等方法，但这些方法都具有一些局限性，例如由于图像中存在噪声、伪影等干扰，造成图像局部灰度不均匀，使用边缘检测方法分割困难；分水岭算法对于弱边界存在的情况下对图像的目标区域进行分割，就很容易造成过分割的现象。

发明内容

本发明目的是提供一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统，以解决的现有方法存在局限性的技术问题。

本发明的内容包括：

本发明首先提供了一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法，包括以下步骤：

构建多尺度空洞卷积神经网络模型；

获取多模态MRI脑肿瘤图像，通过多尺度空洞卷积神经网络模型提取多模态MRI脑肿瘤图像的三维特征图；

对三维特征图进行上采样，使提取的三维特征图还原到原始的尺寸；

对原始尺寸的三维特征图进行信息融合得到脑肿瘤分割结果。

优选地，多尺度空洞卷积神经网络模块包括普通卷积层、空洞卷积层、上采样层、复制连接层、池化层、Dropout层、输入层和输出层。

优选地，在得到脑肿瘤分割结果后，对脑肿瘤分割结果进行后处理，得到三维可视化的脑肿瘤图像。

优选地，在对三维特征图进行上采样过程中，还通过空洞卷积层的不同扩张率的空洞卷积增大三维特征图的多尺度感受野。

优选地，对三维特征图进行上采样的具体方式为使用双线性插值和空洞卷积层的多尺度空洞卷积方法进行上采样操作。

优选地，多尺度三维空洞卷积神经网络模型的损失函数为：

其中，q(x)表示图像的分割预测值，p(x)表示图像的分割正确值，μ||w||²表示正则项，其中loss值越小，表示分割结果越准确。