[發明專利]基于深度級聯卷積網絡的MRI腦腫瘤定位與瘤內分割方法

有效

• 申請號: 201810300057.1
• 申請日: 2018-04-04
• 公開（公告）號: CN108492297B
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 崔少國;張建勛
• 申請（專利權）人: 重慶師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 重慶信航知識產權代理有限公司 50218
• 代理人: 穆祥維

1.基于深度級聯卷積網絡的MRI腦腫瘤定位與瘤內分割方法，其特征在于，包括以下步驟：

S1、深度級聯卷積神經網絡分割模型搭建：

S11、深度級聯卷積神經網絡由腫瘤定位網和瘤內分類網組成，所述腫瘤定位網適于輸入FLAIR、T1、T1c和T2四模態MRI圖像，輸出腫瘤候選區和正常組織的二值圖，所述瘤內分類網適于輸入腫瘤定位網輸出的腫瘤候選區，輸出瘤內子區分割結果；

S12、所述腫瘤定位網由全卷積網絡組成，包括第一至第五共五個卷積層組、第一至第五共五個池化層、卷積層六和卷積層七，所述第一池化層位于第一卷積層組后，所述第二池化層位于第二卷積層組后，依次類推，所述第五池化層位于第五卷積層組后，所述卷積層六和卷積層七順序設于第五池化層后；

S13、所述腫瘤定位網中采用跳躍連接，將卷積層七輸出的高級語義特征進行2倍上采樣后與各池化后的低級細節特征逐層融合，用最終融合特征對像素類別進行精確預測，具體包括：將卷積層七的結果進行2倍上采樣后與第四池化層進行相加融合得融合層1，再將融合層1進行2倍上采樣后與第三池化層相加融合得融合層2，再將融合層2進行2倍上采樣后與第二池化層相加融合得融合層3，再將融合層3進行2倍上采樣后與第一池化層相加融合得融合層4，最后將融合層4進行2倍上采樣后得到與原始圖像大小相同的特征圖；利用此特征圖對像素進行腫瘤和正常組織2分類，產生2張像素類別預測分值圖，取預測值高的類別作為像素最終類別；

S14、所述瘤內分類網由兩個卷積層組、兩個池化層、三個全連接層和一個Softmax分類層組成，其中，每個卷積層組后跟隨一個池化層，所述三個全連接層和一個Softmax分類層順序設于最后一個池化層后；

S2、模型訓練與參數優化：使用擴充后的標注數據對深度級聯卷積神經網絡分割模型進行有監督訓練，設計目標函數優化網絡參數，產生最優分割模型，其具體包括：

S21、將標準化并擴充后的整幅圖像數據集按8：1：1的比例分為訓練集、驗證集和測試集，將同一大腦切面的FLAIR、T1、T1c和T2四模態整幅圖像作為腫瘤定位網的四通道輸入；

S22、采用分類交叉熵損失函數作為優化目標，其目標函數定義如下：

其中，Y'是分割標簽，Y是預測的概率，C為像素類別數，S是圖像像素的個數；

S23、采用隨機梯度下降算法優化目標函數，運用誤差反向傳播算法更新腫瘤定位網模型參數；

S24、將抽取的MRI圖像塊數據集按8：1：1的比例分為訓練集、驗證集和測試集，將同一大腦切面的FLAIR、T1、T1c和T2四模態圖像塊作為瘤內分類網的四通道輸入；

S25、采用步驟S22中的分類交叉熵損失函數作為優化目標，但C表示腫瘤分類類別數，S表示批次中圖像塊樣本數；

S26、采用步驟S23中的隨機梯度下降算法優化目標函數，運用誤差反向傳播算法更新瘤內分類網模型參數，且本步驟在進行瘤內分類網訓練時，三個全連接層中的第一全連接層和第二全連接層使用了Dropout正則化方法，其Dropout率設為0.50；

S3、多模態MRI腦腫瘤的快速定位與瘤內分割，其包括：

S31、將預處理標準化后的四模態MRI圖像作為四通道輸入步驟S2已訓練和優化后的腫瘤定位網，自動定位并輸出包括腫瘤區和非腫瘤區的二值分割圖；

S32、取以腫瘤區像素為中心的四模態圖像塊輸入步驟S2已訓練和優化后的瘤內分類網，預測該像素的類別，并采用滑動窗方式，對腫瘤像素逐個預測，最后得到瘤內子區分割圖；

S33、將瘤內子區分割圖疊加到原始MRI圖像上，得到最終MRI腦腫瘤定位與分割圖。