[發(fā)明專利]一種基于深度信任網(wǎng)絡(luò)實現(xiàn)對腦腫瘤分割的方法

在審

• 申請?zhí)枺?/td>: 201611115044.4
• 申請日: 2016-12-07
• 公開（公告）號: CN106780453A
• 公開（公告）日: 2017-05-31
• 發(fā)明（設(shè)計）人: 秦臻;秦志光;李雪瑞
• 申請（專利權(quán)）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明屬于計算機醫(yī)學圖像分類識別和分割的范疇，更為具體地講，涉及一種基于深度信任網(wǎng)絡(luò)實現(xiàn)對腦腫瘤的分割方法，用于輔助醫(yī)療對腦腫瘤實現(xiàn)自動化分割。

背景技術(shù)

當今社會，腦腫瘤愈發(fā)威脅人們的健康。統(tǒng)計資料顯示腦腫瘤患者人數(shù)日益增多。由于腦部具有結(jié)構(gòu)復雜和功能重要的特點，在臨床上腦腫瘤及其腫瘤樣變的形式多樣，限制了腦腫瘤疾病的早期診斷和治療。隨著計算機輔助醫(yī)療診斷的技術(shù)的進步，已經(jīng)成功的用于乳腺和肺部病變的輔助診斷上。如果能利用計算機實現(xiàn)醫(yī)學圖像的精確分割，將有利于醫(yī)生及時的診斷和提出相應(yīng)的治療方案。MRI(磁共振圖像)具有無放射性損害、無骨性偽影，能多方面多參數(shù)成像。特別適合于臨床腦部病變檢查，為醫(yī)生及時的診斷和提出相應(yīng)的治療方案提供了條件。磁共振圖像現(xiàn)已成為臨床的主要診斷手段。但是目前臨床的腦腫瘤分析大多還停留在定性的分析上，定量的分析腦腫瘤的方法目前還不多見。人工分割很費事且因人不同可能會產(chǎn)生不可預計的錯誤。實現(xiàn)腦腫瘤的準確有效的分割，是計算機醫(yī)學處理領(lǐng)域非常重要的研究課題。

臨床的腦腫瘤分割以人工分割為主，但是人工分割較為粗略，且過于費事，所以用計算機實現(xiàn)自動分割作為醫(yī)療輔助診斷的方式變得非常有意義。但是醫(yī)學圖像有著不同于其它圖像的獨特特征，單獨使用任何一種傳統(tǒng)的分割算法，都很難達到理想的效果。相關(guān)學科的發(fā)展及一些新理論和方法的提出為醫(yī)學圖像分割技術(shù)注入了新鮮血液，研究者們將這些新技術(shù)應(yīng)用于實踐中，得到了較好的分割效果。其中大多數(shù)分割運用圖像基本處理、特征提取及特征選擇、圖像分類和分割的技術(shù)。目前較為常用的圖像分割方法有關(guān)于模糊集理論的方法、基于統(tǒng)計學的方法等；分類識別方法則有線性判別、K近鄰、神經(jīng)網(wǎng)絡(luò)等。同時這些方法都具有一定的局限性且多數(shù)用于單一的腫瘤分割，忽略了完整腦腫瘤中的壞死和水腫區(qū)域的分割。隨著機器學習成為計算機領(lǐng)域的熱門學科，它的模擬人類學習行為以獲取新的知識和技能的特性被更多的用于處理高維數(shù)據(jù)，如醫(yī)學圖像分類識別。深度信任網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和自動堆疊編碼都是機器學習中熱門的研究方向。深度信任網(wǎng)絡(luò)最早由Hinton在2006年提出，是在RBM(受限波爾茲曼機)的基礎(chǔ)上，通過不斷增加隱層數(shù)目，同時在網(wǎng)絡(luò)的頂層使用RBM，而在其他層使用貝葉斯信念網(wǎng)絡(luò)，從而得到DBN(深度信任網(wǎng)絡(luò))。DBN屬于模式識別的范疇，通常用于數(shù)據(jù)的分類，它在輸入數(shù)據(jù)的訓練過程中，通過正向傳播和反向傳播的迭代不斷的優(yōu)化網(wǎng)絡(luò)參數(shù)，然后根據(jù)真值圖像不同的像素點或圖像塊類型給相應(yīng)圖像對應(yīng)位置的像素點或圖像塊添加不同的標簽實現(xiàn)分類，將分類模型映射為二值圖像得到初分割結(jié)果。利用預訓練得到的DBN輸出結(jié)果優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法的結(jié)果，在此基礎(chǔ)上使用模糊C均值聚類(F C M)方法得到準確的腦腫瘤分割結(jié)果。

發(fā)明內(nèi)容

本發(fā)明的目的在于設(shè)計一種基于深度信任網(wǎng)絡(luò)實現(xiàn)對完整腦腫瘤進行分割的方法。在分割過程中，利用圖像數(shù)據(jù)通過深度信任網(wǎng)絡(luò)對于完整腦腫瘤進行多分類(包括水腫、壞死以及腫瘤)同時映射形成初分割的二值圖像。

為較好的實現(xiàn)分割目的，需要對圖像進行預處理等操作，主要包括以下內(nèi)容：首先根據(jù)MRI的成像原理，去除MRI中的噪聲，利用亮度變換增強圖像的對比度以及細節(jié)，再利用直方圖均衡化降低因設(shè)備參數(shù)不同而造成的圖像亮度、對比度的差異，得到大致灰度分布均勻的圖像。然后對預處理后的圖像提取圖像塊和完整腦腫瘤的真值圖像生成輸入數(shù)據(jù)集，再通過深度信任網(wǎng)絡(luò)對腫瘤、水腫、壞死區(qū)域進行多分類，最后利用模糊C均值聚類進行精確分割。

技術(shù)原理如圖1所示，具體技術(shù)流程如下：

步驟一：首先利用自適應(yīng)濾波器對圖像進行處理，以消除圖像中存在影響分類的噪音，并且通過直方圖均衡化和亮度變換增強腦圖像中腫瘤、水腫和壞死區(qū)域的對比度。

步驟二：利用步驟一處理的圖像進行圖像塊的提取，并且生成相應(yīng)的輸入數(shù)據(jù)(訓練和測試數(shù)據(jù)集)。

步驟三：利用無監(jiān)督的深度信任網(wǎng)絡(luò)對步驟二中數(shù)據(jù)的潛在特征進行提取，根據(jù)特征的訓練對相應(yīng)數(shù)據(jù)塊添加標簽對完整腦腫瘤實現(xiàn)多分類(1-水腫、2-壞死、3-腫瘤)，得到多分類模型。

步驟四：利用步驟三分類模型映射生成初分割結(jié)果，根據(jù)F C M對初分割后的圖像進行分割，分割的結(jié)果為具有水腫、壞死和腫瘤區(qū)域的完整腦腫瘤。

附圖說明

圖1是本發(fā)明基于深度信任網(wǎng)絡(luò)實現(xiàn)對腦腫瘤的分割方法的技術(shù)方案圖。

具體實施方式