[发明专利]一种基于SP-FCN的MRI脑肿瘤图像分割系统及方法

说明书

本公开提出一种基于SP‑FCN的MRI脑肿瘤图像分割系统及方法，通过超像素方法提取不同模态的脑肿瘤图像的特征，得到不同模态下的ROI分割结果，将不同模态的ROI图像作为FCN的输入数据，进行数据融合，得到最终的分割结果，通过不同模态的ROI图像作为输入不仅减少了数据的计算量，还使得最后的结果更加精确；同时，采用多模态图像融合会比单个模态图像更容易捕捉白质病变图像的差异，多重配准可以提高算法的稳定性。

技术领域

本公开属于医学图像处理与深度学习领域，尤其涉及一种基于SP-FCN的MRI脑肿瘤图像分割系统及方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

关于MRI脑肿瘤图像分割方法的应用，在医学领域的发展都相对成熟。随着人们生命安全意识的提高以及医学图像处理技术在模式识别、物理和计算机等领域的广泛应用，在脑肿瘤图像分割精度和速度方面，都提出了较高的要求。因此，要实时准确地实现脑肿瘤图像的分割，达到脑肿瘤图像分割的要求，必须要建立一种高效、准确的基于SP-FCN的脑肿瘤图像分割方法，有效的减少分割时间，提高MRI脑肿瘤图像分割的准确率，为医学领域提供实时、准确的脑肿瘤分割方法，以便于医学工作人员及时发现问题，提前做出决策。

发明人发现，现有技术中，针对MRI脑肿瘤图像分割问题，主要是利用深度学习算法实现，一般的处理流程是先对图像进行预处理，提取有用特征，最后根据提取的特征训练模型实现分割；对于MRI脑肿瘤图像分割问题，常用的方法有基于区域、基于阈值和基于边缘检测等分割方法，基于区域的分割方法对于噪音比较敏感，基于阈值的分割方法在选取最佳阈值时是一个难点，基于边缘检测的分割方法分割精度低，此外，由于MRI图像复杂多变，在提取图像特征的过程中，可能出现图像内组织对比度低、伪影干扰的情况，从而影响到后续图像分割的准确率；同时，对于MRI脑肿瘤图像分割问题，传统的卷积神经网络虽然具有很好的泛化能力，但是在模型训练过程中收敛速度太慢，导致训练时间过长，此外还存在容易陷入局部极小值、收敛速度慢、对初始设置的参数依赖性很强等问题，特别是对于一些深度的神经网络，有可能出现梯度爆炸或者梯度消失等情况。

发明内容

本公开为了解决上述问题，提出了一种基于SP-FCN的MRI脑肿瘤图像分割系统及方法，通过超像素方法提取不同模态MRI脑肿瘤图像的特征，并通过FCN网络对多种模态的ROI区域进行融合，有效提高了脑肿瘤图像区域的分割精度。

根据本公开实施例的第一个方面，提供了一种基于SP-FCN的MRI脑肿瘤图像分割系统，包括：

图像采集模块，用于利用核磁共振仪获取同一样本不同模态的MRI脑肿瘤图像，并将脑肿瘤图像区域划分为大小相等的图像块；

超像素计算模块，用于对所述图像块进行超像素计算；

超像素分割模块，用于基于图像块的超像素结果进行光谱聚类，对超像素进行分割，获得肿瘤超像素和非肿瘤超像素；

肿瘤图像识别模块，用于在原始MRI脑肿瘤图像中识别出肿瘤超像素所在的图像块，得到不同模态MRI脑肿瘤图像的ROI图像；

肿瘤图像分割模块，用于将不同模态的ROI图像输入FCN网络模型进行图像融合，获得肿瘤区域分割结果。

进一步的，所述肿瘤识别模块根据获得的肿瘤超像素结果，在原始图像中识别出肿瘤超像素所在的图像块，考虑到肿瘤可以通过肿瘤块进行扩张，因此需要对肿瘤图像块的相邻块进行识别，获取完整的肿瘤图像块。

进一步的，所述肿瘤图像块的相邻块的识别包括：

计算每个肿瘤图像块及其相邻块的LBP直方图，通过直方图计算肿瘤图像块与其相邻块的相似度，当相似度结果超过设定阈值时，该相邻块被认定为肿瘤块，以该肿瘤快为中心继续进行相邻块的识别操作，直到所有肿瘤块与其相邻块之间不存在相关性。