[发明专利]基于深度学习的脑胶质瘤分割模型及分割方法

说明书

本发明公开了基于深度学习的脑胶质瘤分割模型及分割方法，属于脑胶质瘤分割技术领域，要解决的技术问题为如何准确的对脑胶质瘤进行分割。分割模型，包括：编码模型，包括卷积层和N个编码模块，编码模型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；解码模块，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；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；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；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，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。

技术领域

本发明涉及脑胶质瘤分割技术领域，具体地说是基于深度学习的脑胶质瘤分割模型及分割方法。

背景技术

在当今的社会中，人们也越来越关注自身的生活条件与医疗条件，健康也成为人们生活中非常关注的话题，因此医学必须不断发展，作为医生诊断和治疗重要手段的医学影像也必须得到相应的发展。现今，医学图像在医疗诊断中起着不可低估的重要作用。

在医学图像中有核磁共振扫描(MRI)和计算机断层扫描(CT)等，医学图像分割在医学研究、病情分析、手术计划中有着广泛的应用于研究价值。智能分割脑胶质瘤对疾病诊断和临床决策具有重要意义。

脑瘤的大小和形状不规则、位置不确定、边界模糊，基于核磁共振的自动分割脑胶质瘤是一项具有挑战性的任务。在临床中，脑胶质瘤的诊断通常是由专家手动分割的，这既浪费时间而且难度很高，脑胶质瘤的分离是临床治疗的关键。

如何准确的对脑胶质瘤进行分割，是需要解决的技术问题。

发明内容

本发明的技术任务是针对以上不足，提供一种基于深度学习的脑胶质瘤分割模型及分割方法，来解决如何准确的对脑胶质瘤进行分割的问题。

第一方面，本发明提供一种基于深度学习的脑胶质瘤分割模型，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，所述编码模块包括依次连接的空洞密集单元和池化层，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。

作为优选，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。

作为优选，所述每个空洞密集单元均增加有膨胀率。

第二方面，本发明提供一种基于深度学习的脑胶质瘤分割方法，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；