[发明专利]基于级联各向异性FCNN的三维脑肿瘤图像分割方法

摘要

本发明涉及一种基于级联各向异性FCNN的三维脑肿瘤图像分割方法，包括以下步骤：(1)搭建各向异性FCNN模型；(2)进行全肿瘤网络模型训练，并分割全肿瘤，方法如下：将3D MRI脑肿瘤图像分为2D A‑plane、C‑plane和S‑plane切片，顺序取相同数量的A‑plane、C‑plane和S‑plane切片分别输入各向异性FCNN并进行全肿瘤网络模型WA、网络模型WC和网络模型WS的训练；分别使用全肿瘤训练模型WA、WC、WS对3D脑肿瘤图像数据进行预测，并将预测平均值作为判别全肿瘤的最终结果；(3)进行肿瘤核心网络模型训练，并分割肿瘤核心；(4)进行增强肿瘤网络模型训练，并分割增强肿瘤。

主权项

1.一种基于级联各向异性FCNN的三维脑肿瘤图像分割方法，包括以下步骤：(1)搭建各向异性FCNN模型；(2)进行全肿瘤网络模型训练，并分割全肿瘤，方法如下：第1步：将3D MRI脑肿瘤图像分为2D A‑plane、C‑plane和S‑plane切片，顺序取相同数量的A‑plane、C‑plane和S‑plane切片分别输入各向异性FCNN并进行全肿瘤网络模型WA、网络模型WC和网络模型WS的训练；第2步：分别使用全肿瘤训练模型WA、WC、WS对3D脑肿瘤图像数据进行预测，并将预测平均值作为判别全肿瘤的最终结果。(3)进行肿瘤核心网络模型训练，并分割肿瘤核心，方法如下：第1步：根据全肿瘤和肿瘤核心的位置关系，即肿瘤核心位于全肿瘤区域内，以全肿瘤在上下、左右和前后六个方向上的边界值生成分割后的全肿瘤边界框，分别对全肿瘤边界框在六个方向上做5个像素的体积扩展；第2步：将扩展后边界框内的图像区域分为2D A‑plane、C‑plane和S‑plane切片，顺序取相同数量的A‑plane、C‑plane和S‑plane切片分别输入各向异性FCNN并进行肿瘤核心网络模型TA、网络模型TC和网络模型TS的训练；第3步：分别使用肿瘤核心训练模型TA、TC、TS对3D脑肿瘤图像数据进行预测，并将预测平均值作为判别肿瘤核心的最终结果。(4)进行增强肿瘤网络模型训练，并分割增强肿瘤，方法如下：第1步：根据肿瘤核心和增强肿瘤的位置关系，即增强肿瘤位于肿瘤核心区域内，以肿瘤核心在上下、左右和前后六个方向上的边界值生成分割后的肿瘤核心边界框，分别对肿瘤核心边界框在六个方向上做5个像素的体积扩展；第2步：将扩展后边界框内的图像区域分为2D A‑plane、C‑plane和S‑plane切片，顺序取相同数量的A‑plane、C‑plane和S‑plane切片分别输入各向异性FCNN并进行增强肿瘤网络模型EA、网络模型EC和网络模型ES的训练；第3步：分别使用增强肿瘤训练模型EA、EC、ES对3D脑肿瘤图像数据进行预测，并将预测平均值作为判别增强肿瘤的最终结果。