[发明专利]一种基于UNet的脑肿瘤分割方法

权利要求书

1.一种基于UNet的脑肿瘤分割方法，其特征在于，包括以下步骤：

Step 1：数据预处理；

Step 2：构建改进的UNet网络模型，调节卷积核的数目和改进卷积层框架结构；

Step 3：构建改进的混合损失函数，将改进的损失函数应用到网络中；

Step 4：网络经过训练后输入测试集进行测试，检验网络效果。

2.根据权利要求1所述的一种基于UNet的脑肿瘤分割方法，其特征在于，所述Step 1中的具体过程如下：

Step1.1 BraTS2018和BraTS2019数据集每个病例有四个模态(t1、t2、flair、t1ce)，采用Z-score方法分别标准化每个模态的图像；

利用Z-score标准化：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差；

Step1.2 MRI图像脑部区域为灰色，黑色则为背景，整幅图像中背景信息的占比较大，而且背景对于分割没有任何帮助，因此需要去除背景信息是必要的，将原来大小为(160,240,240)的图像裁剪为(160,160,160)；

Step1.3将所选取的MRI图像切片成尺寸为(160,160)大小的图片，并且去除掉空白的切片。

3.根据权利要求1所述的一种基于UNet的脑肿瘤分割方法，其特征在于，所述Step 2中的具体过程如下：

Step2.1搭建改进UNet脑肿瘤分割网络模型，在编码器和解码器之间的长连接中引入注意力机制；

Step2.2将残差块中的卷积替换为空洞率分别为1，2，3的空洞卷积；

一个残差块表示为：

X_l+1＝x_l+F(x_l；W_l)

残差块分成两部分直接映射部分和残差部分，其中x_l为直接映射部分，F(x_l；W_l)为残差部分；

Step2.3构建的网络模型使用4次下采样和4次上采样保留原始的U形对称结构，每次下采样之前加入一次残差模块，每个残差模块中包含空洞率分别为1，2，3的空洞卷积，没从空洞卷积后执行一次归一化(BatchNorm,BN)和一次Relu激活操作，防止网络过深信息丢失和网络退化，同时扩大感受野；每次上采样过程中使用两次卷积，卷积核大小为3，下采样使图片大小变为原来的1/2，上采样使图片大小变为原来的2倍；

Step2.4在上面的网络模型后再加入一次卷积，使通道数变为3，使输出与处理后的医生标注图片一致。

4.根据权利要求1所述的一种基于UNet的脑肿瘤分割方法，其特征在于，所述Step 3中的具体过程如下：

训练采用了混合损失函数，它是由医学影像损失Dice Loss焦点损失函数Focal Loss进行了组合而成；

根据Dice系数定义的Dice Loss：

计算焦点损失的具体过程：

焦点损失(FL)可看作是二元交叉熵的变化，它降低了简单示例的权重，使模型能够更专注于学习困难示例，它适用于高度不平衡的类场景，表示为：

L＝Focal_loss＝FL(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中α为平衡因子，一般在[0,1]范围内，γ取值为2；

p表示预测样本属于1的概率(范围为0-1)，y表示标签；

最终混合损失定义为：

综上使用此混合损失函数保证了Dice系数精度，即分割结果较好，同时确保分割结果对比专家的勾勒结果误差小。

5.根据权利要求1所述的一种基于混合损失函数的改进UNet脑肿瘤医学影像分割方法，其特征在于，所述Step 4中的具体过程如下：

Step4将预处理的图片输入到网络中，更新网络参数权重，得到最优的网络分割结果，将分割结果进行一次sigmoid，将分割结果变为0和1，进行拼接，再根据三通道定义还原成单通道，即得到分割结果图。