[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

说明书

本发明提出一种基于级联神经网络结构的脑胶质瘤分割方法，该方法包括：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；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和肿瘤增强区域分割结果；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。本发明可以与各类基于医学图像的应用系统相结合，帮助提升多种模态影像的分割质量，具有广阔市场前景与应用价值。

技术领域

本发明涉及一种基于级联神经网络结构的脑胶质瘤分割方法，属于数字图像处理、模式识别和计算机视觉领域。医学影像分割在各类影像引导介入诊疗，定向放疗的应用系统中有广阔的应用前景。

背景技术

胶质瘤是最常见的原发性脑部恶性肿瘤，具有不同程度的侵袭性、预后情况以及异质性区域。脑胶质瘤的分割通常是指将肿瘤区域从多模态核磁共振序列中分割。脑胶质瘤的分割能够有效提取肿瘤的多个异质性区域(包括整个肿瘤区域、肿瘤核心区域和肿瘤增强区域)，从而帮助医生做出准确的判断。由于成像过产生的各种噪声、模糊及低对比度的问题，医学图像分割相比普通彩色图像更具挑战性。此外，脑部组织结构的复杂、脑部肿瘤的空间位置和形态大小多变等因素导致难以实现脑胶质瘤的精准分割。

医学图像分割算法通常分为传统机器学习方法及深度学习方法。医学图像分割传统机器学习方法的典型代表方法之一是基于区域的方法，该类方法引入颜色不连续性将区域和目标对象之间的边界作为边缘进行表示，在应对细分不足、过度分割和错误边缘等问题较为有效。杨等人提出了一种适用于梯度阈值边缘检测器的改进方法。该方法引入人类视觉系统的基本特征，根据图像内容准确确定任意形状边缘的局部掩膜区域。在确定边缘标记之前，用局部图像的亮度和活动性来遮盖梯度图像。实验结果表明，该算法得到的边缘图像与感知边缘图像较为一致(参见文献：杨符正等,基于HVS的梯度阈值边缘检测器的改进方法.计算智能与安全.施普林格柏林海德堡，柏林，海德堡,2005,1051-1056.(Yang F,Wan S,Chang Y.Improved method for gradient-threshold edge detector based onHVS.In:Computational Intelligence and Security.Springer Berlin Heidelberg,Berlin,Heidelberg；2005,p.1051-1056.))。苏等人最近的一项工作利用多阶段方法在X射线图像中分割腕骨。利用自适应局部阈值和自适应坎尼(Canny)边缘检测提取前景区域和边缘图。提出通过异或运算对边缘图和前景区域进行整合，通过在腕骨边界附近的边缘图中添加背景边界来解决过分割；通过在腕骨边界附近的边缘图中添加前景边界来处理欠分割，从而封闭由于欠分割而丢失的前景；通过来自局部自适应阈值化的腕骨区域来补充来自边缘图的非闭合边缘和伪边缘(参见文献：苏丽雷等，基于手部x射线图像中描绘腕骨先验模型整合区域及边界的分割,美国电气与电子工程师协会访问学报,2018,19993-20008.(Su L,Fu X,Zhang X,Cheng X,Ma Y,Gan Y,Hu Q.Delineation of carpal bones fromhand x-ray images through prior model,and integration of region-based andboundary-based segmentations.IEEE Access.2018；6:19993-20008.))。近些年也有基于阈值的方法，伊尔汉等采用阈值来诊断MRI灰度图像中的脑肿瘤。此技术涉及使用形态学(一般侵蚀和扩散)来识别边缘，然后再从原始图像中减去生成的图像以获得结果(参见文献：乌米特·伊尔汉等,基于新阈值方法的雨肿瘤分割,计算机科学百科全书学报,2017,580-587.(Ilhan U,Ilhan A.Brain tumor segmentation based on a new thresholdapproach.Proc Comput Sci.2017；120:580-587.))。