[发明专利]一种基于图像补全的肿瘤图像脑区分割方法及系统

权利要求书

1.一种基于图像补全的肿瘤图像脑区分割方法，其特征在于，包括：

获取待分割肿瘤图像和肿瘤掩膜；

将所述待分割肿瘤图像和所述肿瘤掩膜输入至补全网络中，得到补全后的待分割图像；所述补全网络是以正常脑图像和随机掩膜作为训练集，以整体损失函数最小为目标，对PconvUnet网络进行训练得到的；所述整体损失函数是由感知损失函数、风格损失函数、全变分损失函数以及网络输出预测图像与真实图像的损失函数确定的；

将所述补全后的待分割图像输入至分割网络中，得到待分割肿瘤图像的脑分区；所述分割网络是以所述正常脑图像和对应的图像标签作为训练集，以相似性测度损失函数或交叉熵损失函数最小为目标，对Unet网络进行训练得到的。

2.根据权利要求1所述的一种基于图像补全的肿瘤图像脑区分割方法，其特征在于，所述补全网络的确定方法为：

获取正常脑图像；

随机生成二值掩膜，得到随机掩膜；

将所述正常脑图像和所述随机掩膜结合生成带孔洞脑图像；

构建PconvUnet网络；所述PconvUnet网络包括部分卷积层、编码层和解码层；所述解码层的连接方式为跳跃连接；当前卷积层的输出和对应的编码层的输出均作为下一解码层的输入；

以所述带孔洞脑图像和所述随机掩膜作为所述PconvUnet网络的输入，以所述正常脑图像作为所述PconvUnet网络的输出，以整体损失函数最小为目标采用反向传播及梯度下降算法进行训练学习，得到补全网络。

3.根据权利要求1所述的一种基于图像补全的肿瘤图像脑区分割方法，其特征在于，所述分割网络的确定方法为：

获取正常脑图像和对应的图像标签；

构建Unet网络；

以所述正常脑图像作为所述Unet网络的输入，以所述图像标签作为所述Unet网络的输出，以相似性测度损失函数或交叉熵损失函数最小为目标采用反向传播及梯度下降算法进行训练学习，得到分割网络。

4.根据权利要求1所述的一种基于图像补全的肿瘤图像脑区分割方法，其特征在于，所述整体损失函数为：

其中，为整体损失函数；为带孔洞脑图像中孔洞部分的网络输出预测图像和真实图像的损失函数；为带孔洞脑图像中非孔洞部分的网络输出预测图像和真实图像的损失函数；为感知损失函数；为带孔洞脑图像的网络输出预测图像与真实图像之间的风格损失函数；为结合图像与真实图像的风格损失函数；所述结合图像为带孔洞脑图像中孔洞部分的网络输出预测图像和真实图像中非孔洞部分的结合图像；为全变分损失函数。

5.根据权利要求1所述的一种基于图像补全的肿瘤图像脑区分割方法，其特征在于，所述获取待分割肿瘤图像和肿瘤掩膜，具体包括：

获取待分割肿瘤图像；

对所述待分割肿瘤图像进行纵向切片，得到真实形状2D掩膜数据；

对所述真实形状2D掩膜数据依次进行二值化和膨胀操作，得到肿瘤掩膜。

6.根据权利要求2所述的一种基于图像补全的肿瘤图像脑区分割方法，其特征在于，所述将所述正常脑图像和所述随机掩膜结合生成带孔洞脑图像，具体包括：

对所述正常脑图像沿纵向进行切片，得到横断位2D正常脑图像数据；

对所述横断位2D正常脑图像数据进行归一化处理，得到2D脑图像；

将所述2D脑图像与所述随机掩膜相结合得到带孔洞脑图像。