[发明专利]基于深度学习的脑胶质瘤分割模型及分割方法

权利要求书

1.基于深度学习的脑胶质瘤分割模型，其特征在于包括：

编码模型，所述编码模型包括卷积层和N个编码模块，所示卷积层用于提取特征，所述编码包括空洞密集单元以及位于空洞密集单元输出端的池化层，所示空洞密集单元用于通过扩大感受野和加快信息流动来提取特征，上述N个编码模块依次连接并位于卷积层的输出端，位于传输末端的编码模块为末端编码模块，其它编码模块为中间编码模块，N大于等于3；

解码模块，所述解码模块包括依次连接的首端解码模块、中间解码模块和末端解码模块；

所述首端解码模块包括依次连接的空洞密集单元和上采样卷积层，所述首端解码模块位于末端编码模块的输出端，且首端解码模块的输出端通过跳跃连接层与末端编码模块中空洞密集单元的输出端跳跃连接；

所述中间解码模块共N-2个，上述中间解码模块与中间编码模块一一对应，每个中间解码模块均包括依次连接的卷积层、空间密集单元和上采样卷积层，每个中间解码模块的输出端通过跳跃连接层和与其对应的中间编码模块中空洞密集单元的输出端跳跃连接，且每个中间解码模块均连接于其上一个解码模块相关跳跃连接层的输出端；

所述末端解码模块包括依次连接的卷积层、空洞密集单元和卷积层，所述末端解码模块位于其上一个解码模块相关跳跃层的输出端。

2.根据权利要求1所述的基于深度学习的脑胶质瘤分割模型，其特征在于所述空洞密集单元由空洞卷积层和密集层连接组成，用于通过扩大感受野和加快信息流动来提取特征。

3.根据权利要求2所述的基于深度学习的脑胶质瘤分割模型，其特征在于所述每个空洞密集单元均增加有膨胀率。

4.基于深度学习的脑胶质瘤分割方法，其特征在于包括如下步骤：

获取多种三维的核磁共振图像作为输入图像，所述核磁共振图像上包括多种MRI模态和专家标注的脑胶质区域；

对上述输入图像进行归一化处理，使得输入图像符合正态分布；

构建如权利要求1-3任一项所述的基于深度学习的脑胶质瘤分割模型；

基于归一化处理后的输入图像，对所述脑胶质瘤分割模型进行训练，得到训练后脑胶质瘤分割模型；

获取待检测的核磁共振图像作为测试图像，所述核磁共振图像上包括多种MRI模态和专家标注的脑胶质区域；

对上述测试图像进行归一化处理，使得测试图像符合正态分布；

对于上述测试图像，通过训练后脑胶质瘤分割模型进行分割处理。

5.根据权利要求4所述的基于深度学习的脑胶质瘤分割方法，其特征在于对归一化处理后的输入图像进行尺寸剪裁，基于尺寸剪裁后的输入图像，对所述脑胶质瘤分割模型进行训练，得到训练后脑胶质瘤分割模型；

对上述归一化处理后的测试图像进行尺寸剪裁，基于尺寸剪裁后的测试图像，通过训练后脑胶质瘤分割模型进行分割处理。