[发明专利]一种基于HDC-Net0

权利要求书

1.本发明公布了一种用于脑肿瘤的分割方法，包括以下步骤：

（1）数据预处理：将公开的脑肿瘤图像数据集数据进行预处理，由于数据集图像样本之间肿瘤情况不同和拍摄时受噪声的影响，以及深度学习大数据要求需要数据集中的图像进行预处理，采用图像旋转，平移变换，对原始数据进行数据增强，并通过对比度增强，对图像进行归一化处理；

（2）训练网络模型HDC-Net⁰，整个流程如下：

a.构建网络结构：如图1所示，HDC-Net⁰的网络结构是以V-Net为基础的轻量级变体，使用HDC模块来替代V-Net中的3D卷积核；另外，对多模态MR图像而言，肿瘤部分病变区域在一个恒定视角下难以辨识，如果模型可以在另一个辅助视角下进行附加的特征提取，将有利于模型最终分割精度的提升；基于这一点，本发明针对多模态MR图像的多视角特性提出了视角解耦卷积(VDC，View Decoupled Convolution)模块；与此同时，多尺度信息的捕捉对卷积神经网络模型的表达能力来说至关重要，U-Net 和V-Net 等网络通过在编码阶段使用多次的下采样操作去提高模型对图像的感受野，进而提升模型多尺度信息的捕捉能力；

b.训练判别网络：在本发明的实验过程中，HDC-Net的输入为脑肿瘤四种模态拼接后的3D 图像块，每个图像块的尺寸大小为128×128×128；在下采样混编策略的帮助下，4通道的3D图像块被处理为32通道，大小为64×64×64 的图像块；通过引入额外的下采样，HDC-Net 可以接受更大尺寸的 3D图像输入，帮助模型可以在更大范围内对MR图像特征进行提取；

（3）使用Spyder软件进行实验，BraTS 2019 中20张带有标签的脑肿瘤图像输入生成对抗网络，通过20000次迭代，以19：1的划分训练集和验证集，间断训练以上两个过程，调整网络参数，直到网络收敛，训练结束。