[發明專利]一種基于優化U-net網絡模型的MRI腦腫瘤圖像分割方法

在審

• 申請號: 201810835922.2
• 申請日: 2018-07-26
• 公開（公告）號: CN109087318A
• 公開（公告）日: 2018-12-25
• 發明（設計）人: 孝大宇;張淑蕾;王超;高殿宇;康雁
• 申請（專利權）人: 東北大學
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06N3/04
• 代理公司: 北京易捷勝知識產權代理事務所(普通合伙) 11613
• 代理人: 韓國勝

1.一種基于優化U-net網絡模型的MRI腦腫瘤圖像分割方法，其特征在于，所述方法包括：

101、對獲取的多模態MRI腦腫瘤圖像數據進行預處理；

102、將經過預處理的多模態MRI腦腫瘤圖像數據輸入訓練好的U-net網絡模型中；

103、獲取U-net網絡模型輸出的多模態MRI腦腫瘤圖像分割數據。

其中，所述U-net網絡模型輸出的多模態MRI腦腫瘤圖像分割數據能夠保留圖像邊緣信息，以生成完整的分割圖像特征圖。

2.如權利要求1所述的方法，其特征在于，所述步驟101還包括如下子步驟：

1011、去除多模態MRI腦腫瘤圖像數據中的極端像素；

1012、對去除極端像素的多模態MRI腦腫瘤圖像數據進行平衡處理；

1013、對經過平衡處理后的多模態MRI腦腫瘤圖像數據再進行數據擴增，獲取數據擴增后的多模態MRI腦腫瘤圖像數據作為預處理后的多模態MRI腦腫瘤圖像數據。

3.如權利要求1所述的方法，其特征在于，在步驟102之前所述方法還包括：

預先構建U-net網絡模型，并利用已知的/標記的多模態MRI腦腫瘤圖像和細胞結構圖像對構建的U-net網絡模型進行學習訓練。

4.如權利要求3所述的方法，其特征在于，

所述U-net網絡模型包括：收縮路徑和擴展路徑；

輸入U-net網絡模型中的多模態MRI腦腫瘤圖像數據依次經過所述收縮路徑和所述擴展路徑的處理，獲得多模態MRI腦腫瘤圖像分割數據；

其中，所述收縮路徑由五個依次鏈接的卷積塊組成；

每個所述卷積塊包括兩個卷積層，卷積核大小為3×3，兩個卷積的步長均為1，使用ReLU激活函數，在每個卷積塊末端應用2×2步長為1的最大池化層，并將卷積核個數變為原來卷積塊的二倍。

5.如權利要求4所述的方法，其特征在于，

所述擴展路徑由四個依次鏈接的卷積塊組成；

每個所述卷積塊的末端進行一次卷積核大小為2×2的逆卷積，生成的特征圖與收縮路徑中與之對應的卷積塊生成的特征圖相疊加，疊加之后的特征圖繼續由下一個鏈接的卷積塊處理；

所述擴展路徑經過四次逆卷積，四次特征圖疊加，四個卷積塊的處理后，應用2個1×1卷積核對得到的64張特征圖進行卷積，得到兩張結果圖分別反映所述多模態MRI腦腫瘤圖像分割數據前景和背景的分割。

6.如權利要求5所述的方法，其特征在于，

所述構建的U-net網絡模型中的卷積層采用零填充方式來保持收縮路徑和擴展路徑的輸出維度。

7.如權利要求2所述的方法，其特征在于，所述步驟1011還包括如下子步驟：

A1、將圖像的灰度值由高到低依次排序，移除多模態MRI腦腫瘤圖像數據中排名前1％和倒數1％的灰度值；

A2、針對A1步驟中的圖像數據，選取T1和T1C模態的圖像數據，并采用N4ITK偏置場進行校正；

A3、將校正后的圖像數據，以及A1步驟后未校正的其他模態圖像數據進行圖像融合；然后對融合后的圖像重新采樣并插值為1×1×1mm³；

A4、將每個模態圖像數據減去其自身模態圖像數據的平均值并除以其標準偏差，以完成對多模態MRI的每個模態圖像數據標準化。

8.如權利要求2所述的方法，其特征在于，所述步驟1012還包括如下子步驟：

計算每個像素到邊界的距離，每個像素分配一個權重，所述權重與該像素到邊界的距離相關；

所述去除極端像素的多模態MRI腦腫瘤圖像數據包括兩張以上的圖像，為每張圖像創建一個權重圖，用以補償U-net網絡模型等概率處理產生的假陽性。

9.如權利要求8所述的方法，其特征在于，

采用如下公式計算權重圖：

其中ω_c(x):Ω→R表示當前像素的頻率，d₁表示離最近邊界的距離，d₂表示距離像素第二近的邊界距離ω₀＝10，σ＝5。