[发明专利]基于深度学习的脑瘤图像分割方法、装置、设备及介质

权利要求书

1.一种基于深度学习的脑瘤图像分割方法，其特征在于，包括：

获取多模态的脑部核磁共振图像；

对所述脑部核磁共振图像进行预处理，以获得去除头盖骨部分的目标图像；

将所述目标图像输入预设脑瘤分割模型，以获取脑瘤图像分割结果，所述预设脑胶质瘤分割模型为根据自适应分割框架和去除头盖骨部分的脑部核磁共振图像进行交叉验证训练获得的深度学习模型，所述自适应分割框架包括多个不同种类的U-Net模型和U-Net集成模型。

2.如权利要求1所述的基于深度学习的脑瘤图像分割方法，其特征在于，所述预设脑瘤分割模型通过如下方式获取：

获取多模态的核磁共振脑瘤图像，并对所述多模态的核磁共振脑瘤图像进行处理，以获得去除头盖骨部分的脑瘤图像样本数据；

建立包括多个U-Net结构的自适应分割框架，所述自适应分割框架包括2D U-Net模型、3D U-Net模型和两个3D U-Net集成模型；

根据所述脑瘤图像样本数据对所述自适应分割框架中的所有U-Net结构进行五折交叉验证训练，以获得所述预设脑瘤分割模型。

3.如权利要求2所述的基于深度学习的脑瘤图像分割方法，其特征在于，在所述进行五折交叉验证训练的过程中，模型训练的超参数通过如下方式确定：

确定模型训练设备的中央处理器的显存消耗范围；

在所述显存消耗范围内，根据所述训练图像的形状调整所述模型训练的超参数，所述超参数包括步长大小、图像分块大小和每个轴的池化次数。

4.如权利要求2任一项所述的基于深度学习的脑瘤图像分割方法，其特征在于，所述对所述多模态的磁共振脑瘤图像进行处理，以获得去除头盖骨部分的脑瘤图像样本数据，包括：

将所述多模态的核磁共振脑瘤图像采用刚体配准为T1c核磁共振图像；

去除所述T1c核磁共振图像中的头盖骨部分，获得预处理核磁共振图像；

接收对所述预处理核磁共振图像中不同像素区域的标注指令，以根据所述标注指令对所述预处理核磁共振图像进行像素标注，所述像素标注包括非肿瘤区域、坏死、水肿、非增强肿瘤和增强肿瘤；

将所述像素标注完成后的所有所述预处理核磁共振图像作为所述脑瘤图像样本数据。

5.如权利要求2所述的基于深度学习的脑瘤图像分割方法，其特征在于，所述根据所述脑瘤图像样本数据对所述自适应分割框架中的所有U-Net结构进行所述五折交叉验证训练，以获得所述预设脑瘤分割模型，包括：

根据五折交叉验证法在所述脑瘤图像样本数据中确定初始训练集和初始测试集；

对所述初始训练集进行归一化处理，以获得目标训练集；

根据所述目标训练集对所述自适应分割框架中的所有U-Net结构进行所述五折交叉验证训练，以获得交叉验证结果；

根据所述交叉验证结果确定符合预设条件的模型；

根据所述初始测试集对所述符合预设条件的模型进行模型预测，以确定出模型预测结果符合预设结果的模型作为所述预设脑胶质瘤分割模型。

6.如权利要求5所述的基于深度学习的脑瘤图像分割方法，其特征在于，所述对所述初始训练集进行归一化处理，以获得目标训练集，包括：

对所述初始训练集中的所有图像进行灰度值归一化处理，获得灰度归一训练集；

对所述灰度归一训练集中的所有图像进行图像间距归一化处理，以获得所述目标训练集。

7.如权利要求5所述的基于深度学习的脑瘤图像分割方法，其特征在于，所述根据所述初始测试集对所述符合预设条件的模型进行模型预测，以根据模型预测结果确定所述预设脑瘤分割模型，包括：

对所述初始测试集中测试图像进行数据增强，以获得目标测试集；

在所述符合预设条件的模型中，采用滑动窗口方法对所述目标测试集中的测试图像进行模型预测，以确定所述符合预设条件的模型的分割性能；

将分割性能符合要求的模型作为所述预设脑瘤分割模型。