[发明专利]一种基于卷积神经网络的脑胶质瘤MRI图像分割方法

权利要求书

1.一种基于卷积神经网络的脑胶质瘤MRI图像分割方法，其特征在于，该方法包括如下步骤：

步骤一：利用直方图均衡化方法对脑胶质瘤MRI图像数据进行处理，对图像数据进行中心裁剪，并对图像进行归一化，归一化后对图像切成64*64*64的块；

步骤二：对三维卷积神经网络模型进行搭建，采用编码-解码结构；

编码结构；

将网络的输入分为四个通道，分别输入病人四个模态的脑胶质瘤MRI图像数据，将每个模态的数据分别进行特征的提取，在每一层相同的卷积层，将四个模态学习到的特征进行融合，通过残差连接，输出到解码结构对应的卷积层中；

解码结构：

利用双线性插值方法，此部分的每一层卷积层，不会接收来自上一层的特征信息，会接收来自编码部分对应卷积层四个模态特征的融合，并将特征进一步进行融合；

步骤三：对模型的训练与分割；

将模型放在Nvidia1080TiGPU上进行训练，训练完成后进行测试并标注，并对图像进行分割。

2.如权利要求1所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法，其特征在于，所述的步骤二的具体过程为：

对三维卷积神经网络模型进行搭建，采用编码-解码结构，在卷积神经网络模型中，每个卷积块包括2-3组卷积层、激活函数和实例归一化的组合，激活函数采用泄露修正线性单元，左半部分梯度部位0，输入值落在此半部分，泄漏率为10^-2，泄露修正线性单元表达如下：

式中：x_i----代表每一个输入数据；

a-----代表泄漏率；

每一个卷积块的后面加入了一个Dropout层；

m是一个输入样本的数量，x_i代表每一个输入数据，x_i经过归一化后得到y_i是将输出归一化后得到的结果，代表方差，μ_B代表均值，β代表偏移参数，γ代表缩放参数，首先计算当前一个Batch中输入的平均值μ_B和接着将每一个输入特征x_i进行标准归一化，再利用偏移参数β和缩放参数γ对标准化的输入进行作用得到最终结果：

训练时，前向传播过程中模型会保存当前Batch的均值μ_B和方差输出不改变；后向传播过程中会结合保存的均值μ_B和方差进行链式求导,根据计算得到的梯度确定当前的学习率。

3.如权利要求2所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法，其特征在于，所述的步骤三的具体过程为：将模型放在Nvidia1080TiGPU上进行训练，训练完成后进行测试并标注，并对图像进行分割，其权重设为背景：坏死核：水肿：增强型脑胶质瘤等于1:5:2:3，将标准标注分为四类，标签0代表背景，标签1代表坏死核和非增强型胶质瘤，标签2代表瘤周水肿，标签4代表增强型胶质瘤，4种标签根据划分代表胶质瘤的三个亚区，(1)全部胶质瘤；(2)胶质瘤核心区，由坏死组织、非增强胶质瘤和增强胶质瘤组成；(3)胶质瘤增强区，仅有增强型胶质瘤组成。

4.如权利要求3所述的一种基于卷积神经网络的脑胶质瘤MRI图像分割方法，其特征在于，所述的步骤一中对图像数据进行中心裁剪，裁剪的大小为224*224*155。