[发明专利]一种基于深度学习的MRI多类脊髓肿瘤分割方法

权利要求书

1.一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，包括下列步骤：

S100、数据采集：采集脊髓肿瘤MRI图像，并对其进行标注，同时将标注图像中的病灶区域进行手动标注，完成模型训练所需数据集的构建；

S200、数据预处理：包括图像处理、归一化及数据分割方式；

S300、模型构建：基于3D U-Net网络搭建定位和肿瘤分割模型，输入训练数据，完成参数模型的搭建；

S400、模型验证：通过Dice评价指标对模型的分割效果进行综合评估；

S500、模型保存：当模型的损失函数不再降低之后，保存模型。

2.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S100数据采集中，对获得的MRI图像均进行T2和和T1加权成像，并对获得图像进行类别标注，同时对MRI图像中的肿瘤，水肿和空腔进行手动分割，获得标准数据集用于完成模型的训练。

3.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S100数据采集中，使用SCT工具为数据集生成一个识别脊髓的mask，图像的脊髓中心线通过人工进行识别，从中心线自动生成一个直径为30mm的mask，根据平均脊髓直径来选择，并加上一个额外的缓冲区，完成数据标注。

4.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S200数据预处理中，将MRI图像分辨率设置为1mm上下、1mm前后、2mm左右，重新采样的图像以体素方式裁剪，尺寸为512x256x32，尺寸与成人脊髓解剖结构一致，并允许左右方向轻微成角，同时在一个或多个轴的视场情况下，图像为零填充，每次扫描的强度通过减去平均强度后除以标准偏差进行归一化，公式如下：其中μ为平均强度，σ为标准偏差。

5.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S200数据预处理中，将数据集按照6：2：2的比例分为训练集、验证集与测试集。

6.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S300模型构建中，利用3D U-Net架构用于脊髓定位和肿瘤分割，该模型架构为由两个步骤组成的级联结构；

第一步的目标是定位脊髓和用3D边框裁剪脊髓mask周围的图像，通过裁剪获得更小的图像来加快训练和推理，同时缓解类的不平衡，将获得的裁剪图像作为输入用于第二步的管道肿瘤分割任务，利用dropout比较有效缓解过拟合；利用instance normalization对一个批次中单个图片进行归一化，用于提高模型分类性能；利用leaky ReLU激活函数给所有负值赋予一个非零斜率，增加模型中的线性相关性；使用Sigmoid作为模型的最终激活。

7.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S300模型构建中，将训练集的数据应用于模型的预测，设置阈值为0.5，进行二值化，去除小于0.2cm的肿瘤预测，以及小于0.5cm的水肿和空腔预测，以限制假阳性和噪声。

8.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S400模型验证中，使用模型对测试集数据进行测试，通过Dice评价指标对模型的分割效果进行综合验证，公式如下：其中TP即True Positive预测答案正确，FP即False Positive错将其他类预测为本类，FN即False Negative本类标签预测为其他类标。

9.根据权利要求1所述的一种基于深度学习的MRI多类脊髓肿瘤分割方法，其特征在于，所述S500模型保存中，使用验证集数据训练模型，查看模型损失函数是否继续下降，若继续下降，则表明模型未达到最佳，将模型继续训练，若不再下降，则保存模型。