[发明专利]一种基于深度学习的MRI多类脊髓肿瘤分割方法

说明书

本发明属于图像分割技术领域，具体涉及一种基于深度学习的MRI多类脊髓肿瘤分割方法，包括如下步骤：数据采集、数据预处理、模型构建、模型验证、模型保存，所述数据采集通过采集脊髓肿瘤MRI图像，并对其标注，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；所述数据预处理包括图像处理、归一化及数据分割方式；所述模型构建基于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；所述模型验证通过Dice评价指标对模型的分割效果进行综合评估；所述模型保存当模型的损失函数不再降低之后，保存模型。该模型具有极高的准确率和性能，可以集中于持续学习工具的实施，解决缺失模式的技术。

技术领域

本发明涉及图像分割技术领域，具体涉及一种基于深度学习的MRI多类脊髓肿瘤分割方法。

背景技术

髓内脊髓肿瘤占所有中枢神经系统肿瘤2-5％，这种相对较低的患病率增加了理解这种恶性病理的难度，更好地了解这种疾病的第一步是改进肿瘤的特征，分割向医疗保健专家通报肿瘤的位置、大小和生长速度，从而对肿瘤进展进行定量监测，此外，与肿瘤相关的水肿和空洞即鸣管的特征具有临床相关性，对于临床医生来说，手工标记是单调乏味的，而且容易出现评分者内部和之间的差异。

存在问题或缺陷的原因：目前，全自动分割模型可以用于辅助临床医生进行诊断，尽管自动分割脑肿瘤的方法很多，但目前还没有自动分割脊髓髓内肿瘤IMSCT的模型。

发明内容

本发明的目的在于提供一种基于深度学习的MRI多类脊髓肿瘤分割方法，解决了自动图像分割技术模型应用较少的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的MRI多类脊髓肿瘤分割方法，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。

进一步的，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。

进一步的，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。

进一步的，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较小的情况下，图像为零填充而不是裁剪，每次扫描的强度通过减去平均强度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。

进一步的，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。