[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

本發明提供一種基于深度級聯卷積網絡的MRI腦腫瘤定位與瘤內分割方法，包括以下步驟：深度級聯卷積神經網絡分割模型搭建；模型訓練與參數優化；多模態MRI腦腫瘤的快速定位與瘤內分割。本發明提供的基于深度級聯卷積網絡的MRI腦腫瘤定位與瘤內分割方法，構建由全卷積神經網絡和分類卷積神經網絡組成的深度級聯混合神經網絡，把分割過程分為完整腫瘤區定位和瘤內子區分割兩個階段，實現層級化MRI腦腫瘤快速精確定位及瘤內子區分割，首先采用全卷積網絡法從MRI圖像中定位出完整腫瘤區域，然后采用圖像塊分類法將完整腫瘤進一步分割成水腫區、非增強腫瘤區、增強腫瘤區和壞死區，實現了多模態MRI腦腫瘤的精確定位與瘤內子區的快速精確分割。

技術領域

本發明涉及醫學圖像分析技術領域，具體涉及一種基于深度級聯卷積網絡的MRI腦腫瘤定位與瘤內分割方法。

背景技術

腦腫瘤是嚴重危害人類健康的重大疾病。其中，神經膠質瘤是惡性腦腫瘤主要類型，雖然不常見，但致死率非常高。據文獻統計，高等級神經膠質瘤平均存活時間為14個月。磁共振成像(Magnetic Resonance Imaging，MRI)是臨床上最常用的腦腫瘤檢查與診斷手段，從MRI圖像中精確分割出腦腫瘤及瘤內結構，對神經病理分析與精準診斷具有重要價值，其可為手術方案、放療化療計劃制訂及預后評估提供重要支持。

MRI腦腫瘤的分割需要同時參考T1、T1c、T2和FLAIR四種模態圖像，每個模態又包含若干切片的三維體數據。人工分割雖然可行但非常耗時，且受醫師經驗影響，具有一定主觀性，可重復性差。因此，探索人工智能算法進行MRI腦腫瘤全自動分割成為必然需求。

傳統機器學習采用人工抽取特征，接著使用抽取特征來訓練一個分類器，然后使用訓練好的分類器對圖像像素進行分類，從而產生分割圖。但是，這種方法受特征抽取算法影響，抽取的特征并不一定是適合于某一特定分類任務的可鑒別特征。然而，基于卷積神經網絡的深度學習技術，能從數據集中自動學習適合于特定任務的層級化特征，能大大提升像素分類精度。

本發明的發明人經過研究發現，當前基于深度學習的MRI腦腫瘤自動分割方法主要有兩類：圖像塊分類法和全卷積網絡像素級分類法。其中，圖像塊分類法采用滑動窗方式取以每一像素為中心的周圍鄰域塊進行分類，存在以下不足：(1)計算冗余度高，分割速度慢；(2)分類只采用圖像塊局部特征，沒有綜合圖像的全局特征，容易產生誤分類點；(3)模型效果與訓練圖像塊抽取方法直接相關。全卷積網絡像素級分類法將整幅圖像直接輸入網絡，一次前向計算可完成整副圖像的各類型腫瘤區域分割，但是存在以下不足：(1)醫學圖像中病灶區尤其是瘤內子區通常只占圖像的很小部分，各類別像素存在嚴重不平衡，整幅圖像輸入訓練不能解決標簽不平衡問題；(2)由于小區域樣本不足導致訓練不充分，因此圖像分割邊界粗糙，無法實現小區域的細粒度分割。

發明內容

針對現有MRI腦腫瘤分割中，圖像塊分類法沒有利用全局上下文特征且分割速度慢，而全卷積網絡像素級分類法訓練樣本嚴重不平衡導致小區域分割邊界不精確問題，本發明提供一種基于深度級聯卷積網絡的MRI腦腫瘤定位與瘤內分割方法，該方法通過搭建深度級聯混合卷積神經網絡，把分割過程分為完整腫瘤區定位和瘤內子區分割兩個階段，實現多模態MRI腦腫瘤快速精確定位與瘤內子區分割。

為了解決上述技術問題，本發明采用了如下的技術方案：

一種基于深度級聯卷積網絡的MRI腦腫瘤定位與瘤內分割方法，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；