[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

说明书

本发明应用于人工智能技术领域，涉及区块链技术领域，公开了一种基于深度学习的脑瘤图像分割方法、装置、设备及介质，方法部分包括：获取多模态的脑部核磁共振图像，然后对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，最后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，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，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；本发明中，能够根据交叉验证的结果自动选择多个模型中用于预测的最佳网络结构，提高了预设脑瘤分割模型的分割性能，从而提高脑瘤图像分割的准确性。

技术领域

本发明涉及脑胶质瘤图像分割技术领域，尤其涉及一种基于深度学习的脑瘤图像分割方法、装置、设备及介质。

背景技术

脑胶质瘤是最常见的颅内原发恶性肿瘤，根据肿瘤恶性程度可分为WHO I-IV级，随级别增加，恶性程度增高，不同级别、不同基因突变的脑胶质瘤的治疗方式和预后存在差异。因此如果能够在进行手术治疗前对肿瘤区域、肿瘤级别进行准确的分割与判断，将有助于指导治疗方案和手术切除区域的选择，对提高患者治疗效果、改善预后有着重要价值。

传统的脑胶质瘤分割过程中，临床医生需要借助图像处理软件对患者的脑胶质瘤区域进行手动或者半自动分割，工作量大且耗时较长，且人工分割受到主管影响容易出现内部评分错误，导致对脑胶质瘤分割的准确性不高。

近年来随着技术的发展，磁共振成像(MRI)成为颅内各种疾病的主要影像检查技术，利用MRI图像能够更敏感地发现病变并显示病变特征，有利于疾病的检出和准确诊断。但现有的一些自动的脑瘤图像分割方法中，对磁共振成像进行分割结果并不理想。比如，基于常规卷积神经网络模型的分割方法中，分割模型往往需要采用不同的网络结构和超参数调整策略才能达到最佳的分割效果，但在分割模型训练过程中很难找到最优的网络结构与最佳的超参数，造成分割模型性能不佳，从而导致分割结果准确性不高，影响后续的判断。

发明内容

本发明提供一种基于深度学习的脑瘤图像分割方法、装置、设备及介质，以解决现有脑瘤图像分割方法中，分割模型训练过程中难以找到最优的网络结构，导致模型准确性不高，从而导致脑瘤图像分割精度低的问题。

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。

一种基于深度学习的脑瘤图像分割装置，包括：

获取模块，用于获取多模态的脑部核磁共振图像；

预处理模块，用于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；

输入模块，用于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。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述深度学习的脑瘤图像分割方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述深度学习的脑瘤图像分割方法的步骤。