[发明专利]一种基于HDC-Net0

说明书

众所周知，恶性肿瘤是一种全球性的难以治疗的疾病，目前已经成为危害人类生命的主要疾病之一。对肿瘤进行早期的准确诊断、定位、定性、分类、分割是后续治疗的关键。MRI脑肿瘤图像分割是指将全肿瘤区域、瘤核心区域和肿瘤增强区域从正常脑组织中分割开来。传统分割算法主要挑战在于MRI图像中脑组织之间较大的灰度相似性，以及不同病例间的差异性。多模态MRI脑肿瘤图像分割可充分利用MRI图像中不同模态的特征信息，提高分割的有效性，是近年来脑肿瘤图像处理的研究热点。

技术领域

本发明属于医学图像处理技术领域，具体涉及到一种用于脑肿瘤图像的分割方法。

背景技术

脑部肿瘤是最为常见的并对人体危害极大的疾病之一，具有较高的发病率与死亡率。具有很强的社会危害性，据调查显示，我国脑肿瘤患者逐年增加，形势十分严峻。有关脑部肿瘤的磁共振图像分析，是医生进行脑肿瘤诊断治疗、手术评估与病情跟踪的重要依据。但是脑肿瘤形状多样，结构复杂，手动分割十分的耗时耗力，并且很容易在分割过程中出现误判现象。因此，将计算机辅助诊断与计算机视觉技术相结合，研究一种针对脑肿瘤的全自动精准分割算法对利用MR图像中的解剖信息，定位肿瘤的位置，得到组织和病灶的组织结构，改善个体患者的诊断，放疗计划中的3D定位和图像指导手术等方面具有非常重要的临床意义。

近年来，卷积神经网络（CNN，Convolution Neural Network）在图像分割、图像分类、目标检测等领域有着惊人的表现，并且被逐渐应用到医学图像处理的任务中。全卷积神经网络（FCN，Fully Convolution Networks）执行端到端的学习，在图像分割任务上取得了重大的成功，这其中就包括脑肿瘤的分割任务，并且相对于传统方法来说，FCN 因其强大的特征提取能力使得其在脑肿瘤的分割任务上获得了十分优越的分割结果。

发明内容

本发明内容是为了解决脑肿瘤图像分割精度不足，提供一种自动化精确分割脑肿瘤图像的方法。

本发明通过以下技术方案实现：

（1）针对目前3D卷积网络具有较大的计算内存和较低的计算效率等问题，提出了一个轻量级的伪3D层次解耦网络（HDC-Net⁰）模型，该模型以2D卷积为基础完成脑肿瘤的3D分割任务，并取得了优异的分割精度，可以有效解决基于3D网络执行脑肿瘤分割任务时受限于计算开销和GPU内存消耗的问题。此外，由于层次解耦卷积模块具有灵活的设计结构，本发明将其与多视角融合和模型级联策略相集成进一步提高模型的分割性能。

（2）针对HDC-Net⁰模型具有系统复杂性高和无法接受大尺寸输入的设计缺陷等问题，提出了更加轻量并且更加简洁高效的HDC-Net模型，进一步提升脑肿瘤的分割精度。具体地，在 HDC-Net⁰的基础上增加了额外的上下采样策略，在不增加模型参数量的前提下允许模型可以接受大尺度的图像输入去一次性完成多类别的脑肿瘤分割任务；另外，利用层次解耦卷积模块的高度灵活性，本发明提出了多种改进结构，进一步探究模型对于脑肿瘤分割任务的准确性。

（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。