[发明专利]基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件

说明书

本发明公开了基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件，该方法包括：获取脑胶质瘤的医学图像，并对所述医学图像进行预处理，得到包含多个方形特征图片段的特征图像；利用双线性插值对每一方形特征图片段进行插值计算，得到每一方形特征图片段对应的圆形特征图片段；将各所述圆形特征图片段进行拼接得到目标特征图，然后对所述目标特征图进行卷积计算；利用U‑Net网络对经过卷积计算的所述目标特征图进行采样处理，并将采样结果作为最终的脑胶质瘤的分割图片。本发明通过将方形卷积核转变为圆形卷积核，从而更好地提取脑胶质瘤弧形边界的信息，使最终的分割结果更加精准。

技术领域

本发明涉及图像分割技术领域，特别涉及基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件。

背景技术

脑胶质瘤是最常见的原发性脑肿瘤，会对患者的健康造成巨大威胁。治疗过程中医生通常要先根据MRI(核磁共振)图像来判断肿瘤的大小形状，才能进而做出诊断，制定治疗计划。例如，Flair(核共振成像液体衰减反转恢复序列)图上分割出的是Whole Tumor(整个肿瘤)，包括水肿、坏疽和增强瘤，而有的图像上分割出的是Tumor core(肿瘤核心)，包括坏疽和增强瘤，还有的图像可以分割Enhancing core，也就是增强瘤。但准确获取肿瘤的大小形状信息对医生来说费时费力，且对新手医生具有挑战性。而利用计算机辅助诊断手段来对脑胶质瘤区域进行图像分割可以减轻医生的负担并可以辅助医生做出更精准的诊断，具有重要的临床意义。

现有技术中，基于深度学习的脑胶质瘤分割方法可以解决传统的图像处理算法和机器学习算法中人工分析数据和设计分割特征的问题，并能实现自动脑胶质瘤分割，提升了算法的鲁棒性和有效性。但是，现有针对脑胶质瘤的深度学习分割方法鲜有将医学影像的先验知识运用到模型的学习和训练过程中，因此，模型精度提升有限。具体来说，周围组织的形变和脑胶质瘤的边界大多是弧形，而现有分割方法通常利用方形卷积核(3*3或5*5)对脑胶质瘤图像进行滤波操作。但方形卷积核容易将脑胶质瘤的弧形边界和其他信息混杂，不利于边界的识别，从而降低了模型对脑胶质瘤的分割精准度。

发明内容

本发明实施例提供了一种基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件，旨在提高对于脑胶质瘤的分割精准度。

第一方面，本发明实施例提供的一种基于圆形卷积核的脑胶质瘤的分割方法，包括：

获取脑胶质瘤的医学图像，并对所述医学图像进行预处理，得到包含多个方形特征图片段的特征图像；

利用双线性插值对每一方形特征图片段进行插值计算，得到每一方形特征图片段对应的圆形特征图片段；

将各所述圆形特征图片段进行拼接得到目标特征图，然后对所述目标特征图进行卷积点乘计算；

利用U-Net网络对经过卷积点乘计算的所述目标特征图进行采样处理，并将采样结果作为最终的脑胶质瘤的分割图片。

第二方面，本发明实施例提供了一种基于圆形卷积核的脑胶质瘤的分割装置，包括：

图像预处理单元，用于获取脑胶质瘤的医学图像，并对所述医学图像进行预处理，得到包含多个方形特征图片段的特征图像；

插值计算单元，用于利用双线性插值对每一方形特征图片段进行插值计算，得到每一方形特征图片段对应的圆形特征图片段；

第一拼接单元，用于将各所述圆形特征图片段进行拼接得到目标特征图，然后对所述目标特征图进行卷积点乘计算；

采样处理单元，用于利用U-Net网络对经过卷积点乘计算的所述目标特征图进行采样处理，并将采样结果作为最终的脑胶质瘤的分割图片。

第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于圆形卷积核的脑胶质瘤的分割方法。