[发明专利]一种基于边缘特征优化的双流解码卷积神经网络的MRI脑肿瘤自动分割方法

说明书

本发明公开了一种基于边缘特征优化的双流解码卷积神经网络的MRI脑肿瘤自动分割方法。本发明主要使用两种基于边缘的优化策略提高脑肿瘤分割的性能。首先，在网络结构上，本发明设计了一个单独的解码网络分支来处理边缘流信息，并通过特征融合将边缘流信息融合到语义流信息中。其次，通过使用正则化损失函数来惩罚预测分割掩码与标签在边缘附近不匹配的像素来鼓励预测分割掩码与边缘周围的标签值对准。在训练中，本发明引入了一种新的边缘提取算法来提供更高质量的边缘标签。此外，本发明在交叉熵损失函数中加入了自适应平衡类权重系数，以解决在边缘提取的反向传播中严重的类不平衡问题。实验表明，本发明有效地提高了肿瘤的分割精度。

技术领域

本发明属于机器视觉领域，特别涉及一种基于边缘特征优化的双流解码卷积神经网络的MRI脑肿瘤自动分割方法。

背景技术

随着医学影像学设备的快速发展和普及，成像技术包括磁共振成像(MR)、计算机断层扫描(CT)、超声、正电子发射断层扫描(PET)等，全世界每天都产生大量的医学影像学信息，有报道显示全世界医学影像信息量占全世界信息总量的1/5以上。医学图像分割是分析医学图像处理中的重要步骤，有助于使图像更加直观、清晰，提高诊断效率，因此国内外都十分重视医学影像分割技术。脑肿瘤图像分割是医学图像处理的重要部分，也是难点。脑肿瘤图像分割就是把脑肿瘤患者的脑部医学成像分成若干个特定的、具有独特性质的区域如正常脑组织、水肿区域，坏死区域，强化肿瘤区域和无强化肿瘤区域。传统的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，由于深度学习方法的迅速发展，基于深度学习的图像分割算法在医学图像分割领域取得了显著的成就，其精度已经远超过传统的分割算法。

目前，脑肿瘤图像分割算法基本都基于深度学习，并且发展趋势十分良好，其中针对基于U-net网络结构算法的研究尤为广泛。U-net网络通过一个编码网络和一个解码网络组成的独特的U形网络结构将脑肿瘤图像中的冗余的低级特征去除，留下高层的语义特征，最后通过softmax激活函数输出最终的分割图像，其特殊的网络结构能够使其在较少训练数据集下依旧能够表现出较好的分割性能。原始的U-net网络的编码解码结构虽然较为巧妙，但仍有以下几个问题有待改善：(1)原始的U-net网络结构设计简单，特征处理层仅使用两个堆叠卷积层，这样的网络层无论是在特征提取的编码网络中还是在特征处理的解码网络结构中网络都没有充分发挥出深度学习的优势；(2)网络在训练时并没有着重关注边缘部分的特征及分割效果，而这一部分恰好是影响肿瘤分割精度关键部分。

因此，基于以上考虑，本发明提出了一个基于U-net的双流解码卷积神经网络的脑肿瘤自动分割算法。首先，用两个堆叠残差块替代两个堆叠的卷积层。其次，在解码网络中，本发明新设计了一个分支单独提取边缘特征，并通过特征融合机制，将边缘流特征融合到语义流特征中。在训练时，使用额外的正则化损失函数惩罚分割掩码与标签在边缘上不匹配的像素点。此外，通过使用自适应平衡类权重损失函数来解决样本不平衡的问题。最后，为了获取高质量的边缘标签，本算法引入了一种新的边缘提取算法。

发明内容

本发明的主要目的是提出一种基于边缘特征优化的双流解码卷积神经网络的MRI脑肿瘤自动分割方法，在对脑肿瘤分割时，通过提取深度特征，学习更加深层次的语义信息，并通过对边缘部分特征有效信息的增强学习，以进行高效的肿瘤分割。

为了实现上述目的，本发明提供如下技术方案：

一种基于边缘特征优化的双流解码卷积神经网络的MRI脑肿瘤自动分割方法，步骤如下：

步骤一、获取脑肿瘤MRI信息：读取脑肿瘤MRI，共有四种模态T1，T1c，T2，Flair，对应图像集分别为X_T1∈R^N×H×W、X_T1c∈R^N×H×W、X_T2∈R^N×H×W、X_Flair∈R^N×H×W，其中N为图像的个数，H为图像的高度，W为图像的宽度；