[发明专利]一种宫颈癌MRI图像的分割装置及方法

权利要求书

1.一种宫颈癌MRI图像分割方法，其特征在于，该方法基于多视角特征融合的MRI图像分割网络模型，所述MRI图像分割网络模型包括：多视角特征融合模块，用于对输入的图像从不同的视角进行特征提取；通道注意力模块，用于对提取到的特征进行自适应加权融合并根据自适应加权融合处理后的特征对MRI图像进行准确分割；所述方法具体包括：

步骤1：图像标注模块标注MRI图像，具体包括：

图像标注模块从MRI图像中逐帧勾画出病变区域，并保存勾画后的图像，所述勾画后的图像作为每个MRI图像对应的金标准，所述病变区域包括宫颈癌区域；

步骤2：偏置场矫正模块对MRI图像做偏置场矫正处理，具体包括：

偏置场矫正模块从每个MRI图像中提取偏置场来对图像进行校正；

步骤3：图像重采样模块对MRI图像做重采样处理，具体包括：

图像重采样模块使用SimpleITK工具包对不同病人对应的MRI图像进行重采样，使其分辨率达到一致；

步骤4：图像归一化模块归一化MRI图像，具体包括：

图像归一化模块利用归一化公式对重采样处理后的MRI图像进行归一化，并将MRI图像的像素值映射到区间[0,1]；

步骤5：图像裁剪模块裁剪MRI图像得到图像块，具体包括：

图像裁剪模块对每个病人的MRI图像进行随机裁剪，得到预设数量的相同尺寸的3D图像块；其中，每个病人的MRI图像对应的标签图像中，在相同位置做同样的裁剪操作，得到每个图像块对应的标签；

步骤6：生成样本模块生成MRI图像训练样本集；

其中，在所有标注的图像数据中，随机选取预设比例的图像作为训练集，剩余比例的图像作为测试集，在测试集中再随机选取一定比例的图像作为验证集，用来选择最终的模型；

步骤7：构建网络模型模块构建所述MRI图像分割网络模型；其中，所述MRI图像分割网络模型整体上遵循编码器—解码器结构；

步骤8：训练模块训练所述MRI图像分割网络模型；

步骤9：图像分割模块通过所述MRI图像分割网络模型分割MRI图像，具体包括：

图像分割模块采用滑动窗口的方式对MRI图像进行逐块预测，将逐块预测的结果进行拼接重建，得到MRI图像中的病变区域分割结果；

步骤10：图像显示模块显示分割后得到的病变区域的图像。

2.根据权利要求1所述的方法，其特征在于，所述步骤8：训练模块训练所述MRI图像分割网络模型，具体包括：

步骤8a：从图像训练样本集中选择8个数据对组成一个训练批次；

步骤8b：将一个训练批次的数据通过所述MRI图像分割网络模型进行前向传播，得到模型的预测结果；

步骤8c：计算预测结果中每个分割出来的病变区域图像与对应金标准之间的Dice系数；

步骤8d：判断验证集中的Dice损失函数是否经过5个Epochs后不再下降，若否，则继续执行步骤8e；否则，停止网络训练，开始执行步骤9；

步骤8e：利用Adam算法更新所述MRI图像分割网络模型中各层的权重参数。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤4中所述归一化公式如下：

其中，表示归一化处理后的MRI图像在坐标位置为(i,j,k)的像素点的灰度值，X(i,j,k)表示MRI图像在坐标位置为(i,j,k)的像素点灰度值，X表示MRI图像的矩阵，min(X)表示MRI图像中所有像素点的最小值，max(X)表示MRI图像中所有像素点的最大值。

4.根据权利要求1或2所述的方法，其特征在于，所述步骤5中所述裁剪操作按以下步骤执行：

步骤5a、在整个MRI图像内部区域内随机撒2500个种子点；

步骤5b、以所选点为中心裁出128×128×8大小的图像块；

步骤5c、对每个图像的标签做和步骤5a、步骤5b同样的处理；

步骤5d、逐个检测从标签中裁出的图像块中包含病理特征图像的像素点的个数，如果个数大于5，则保留该图像块；否则删除该图像块以及该图像快对应的MRI图像块。