[发明专利]基于改进的全卷积神经网络的脑肿瘤图像分割算法

摘要

本发明涉及一种基于改进的全卷积神经网络算法的MR脑肿瘤图像分割方法，步骤如下：第一步：图像预处理；第二步：改进的FCNN粗分割算法：基于FCNN网络，在每个卷积层后添加批量正则化层以加快网络的训练速度，提高模型的精度，并对池化后的脑肿瘤特征进行三次特征融合，以得到更精细的脑肿瘤特征，建立改进的FCNN网络，即FCNN‑4s网络；第三步：FCNN‑4s和CRF的细分割融合算法：根据第二步中FCNN‑4s的粗分割结果，初始化CRF模型中能量函数得到像素点原始归属标签概率值，随后采用以下步骤计算CRF模型，不断迭代修正FCNN‑4s预测的两类概率图谱，获得CRF的细分割融合结果。

主权项

1.一种基于改进的全卷积神经网络算法的MR脑肿瘤图像分割方法，步骤如下：第一步：图像预处理对脑肿瘤图像FLAIR、T2和T1C三种模态进行灰度归一化，然后分别作为R、G、B通道进行简单的灰度图像融合以便卷积核能学习到不同模态的不同特征，将经过灰度融合后的预处理图像作为算法训练以及测试的数据。第二步：改进的FCNN粗分割算法基于FCNN网络，在每个卷积层后添加批量正则化层以加快网络的训练速度，提高模型的精度，并对池化后的脑肿瘤特征进行三次特征融合，以得到更精细的脑肿瘤特征，建立改进的FCNN网络，即FCNN‑4s网络，改进的FCNN粗分割算法步骤如下：1)对经过灰度融合后的预处理图像经过5次池化后，分别得到原图1/2尺寸、1/4尺寸、1/8尺寸、1/16尺寸以及1/32尺寸的特征矩阵；2)首先对1/32尺寸的高维特征向量矩阵进行2倍上采样，与Pool4层的特征向量矩阵进行第一次融合；而后对第一次得到的特征融合矩阵进行2倍上采样，与Pool3层的特征向量矩阵进行第二次融合；其次再将此融合特征矩阵进行2倍上采样，与Pool2层的特征向量矩阵进行第三次融合；随后将第三次融合的特征矩阵进行4倍上采样，得到与原始脑肿瘤图像相同大小的特征矩阵，最后Prob层输出每一个像素点分别被判断为肿瘤点和非肿瘤点的两张概率图谱，得到改进的FCNN，即FCNN‑4s，的粗分割结果；第三步：FCNN‑4s和CRF的细分割融合算法根据第二步中FCNN‑4s的粗分割结果，初始化CRF模型中能量函数得到像素点原始归属标签概率值，随后采用以下步骤计算CRF模型，不断迭代修正FCNN‑4s预测的两类概率图谱，获得CRF的细分割融合结果。