[发明专利]一种基于级联神经网络结构的脑胶质瘤分割方法

权利要求书

1.一种基于级联神经网络结构的脑胶质瘤分割方法，其特征在于：该方法具体包括：

步骤一：利用级联神经网络结构的脑胶质瘤分割网络产生高精度的肿瘤区域分割结果；首先使用三维残差特征提取网络进行多尺度特征提取；然后通过全局注意力模块提取全局特征；

步骤二：针对多尺度残差特征以及全局特征，一方面利用分割及边缘检测网络生成整个肿瘤WT分割结果及其边缘检测结果；另一方面设计级联网络在初步整个肿瘤分割结果下生成肿瘤核心区域TC和肿瘤增强区域ET分割结果；

步骤三：构造损失函数对精准脑部神经肿瘤分割网络进行训练；

输出：用训练好的级联神经网络结构的脑胶质瘤分割网络对原始多模态图像进行肿瘤区域分割。

2.根据权利要求1所述的一种基于级联神经网络结构的脑胶质瘤分割方法，其特征在于：所述步骤一具体如下：

S1.1：通过三维残差特征网络提取四个模态影像的特征图；所述的四个模态包括T1加权成像、后对比T1加权成像、T2加权成像以及T2流体衰减反转恢复成像；所述的三维残差特征网络由残差模块构成，三维残差特征网络的输入是四个模态影像构成的输入图像块，三维残差特征网络的输出是多尺度特征，特征图用于重建整个肿瘤边缘信息和肿瘤区域分割结果，通过提取多尺度特征，影像的纹理信息和空间信息得以保留；

S1.2：使用全局注意力模块对特征图进行重建；首先利用三维残差特征网络生成的最高级抽象特征，对其先进行层间特征提取，再进行通道特征提取，通过融合对全局特征重建。

3.根据权利要求2所述的一种基于级联神经网络结构的脑胶质瘤分割方法，其特征在于：所述步骤S1.2还包括：用于医学影像分割的编码器进行编码时仅采用卷积和下采样模块提取特征，这里采用ResLock提取多尺度特征的同时，为提取到更为有效的全局特征，设计了全局注意力模块，通过注意力特征与原始最高级抽象特征进行融合得到输出特征图。

4.根据权利要求1所述的一种基于级联神经网络结构的脑胶质瘤分割方法，其特征在于：所述步骤二具体如下：

S2.1：通过WT分割及边缘检测网络提取整个肿瘤的分割结果以及边缘；WT分割及边缘检测网络由共享参数解码器和两路解码模块两部分构成，WT分割及边缘检测网络利用步骤一生成的全局多尺度特征，通过共享解码器统一进行解码，最后分为两路分别得到整个肿瘤的分割及边缘提取结果；

S2.2：通过级联网络提取包含于整个肿瘤的肿瘤核心区域和肿瘤增强区域分割结果；级联网络根据步骤一生成的全局多尺度特征，引入步骤S2.1生成的整个肿瘤分割结果，通过融合解码生成肿瘤核心区域和肿瘤增强区域的最终精准分割结果。

5.根据权利要求1所述的一种基于级联神经网络结构的脑部肿瘤分割方法，其特征在于：所述步骤三具体如下：

S3.1：精准脑部神经肿瘤分割网络的损失函数由两部分组成：分割结果和参考分割结果之间的Dice损失和Tversky损失构成的区域损失，以及整个肿瘤边缘检测的结果和参考边缘之间的边缘损失；清晰视频生成网络损失函数的表达式为：L＝αL_region+βL_edge，其中L_region代表区域损失，L_edge代表边缘损失，α和β是它们对应的加权系数；内容损失L_region的表达式为：其中p_0i代表体素i为肿瘤的概率，p_1i代表t体素i非肿瘤的概率，N代表体素数量，γ＝0.7，对抗损失L_edge的表达式是其中y_n代表网络输出的整个肿瘤边缘检测结果，代表相应的真值；

S3.2：采用自适应矩估计ADAM优化器进行优化。