[發(fā)明專利]基于級聯(lián)各向異性FCNN的三維腦腫瘤圖像分割方法

在審

• 申請?zhí)枺?/td>: 201910313627.5
• 申請日: 2019-04-18
• 公開（公告）號: CN110084823A
• 公開（公告）日: 2019-08-02
• 發(fā)明（設計）人: 趙柳;李鏘;關欣
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/12
• 分類號: G06T7/12
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

本發(fā)明涉及一種基于級聯(lián)各向異性FCNN的三維腦腫瘤圖像分割方法，包括以下步驟：(1)搭建各向異性FCNN模型；(2)進行全腫瘤網(wǎng)絡模型訓練，并分割全腫瘤，方法如下：將3D MRI腦腫瘤圖像分為2D A?plane、C?plane和S?plane切片，順序取相同數(shù)量的A?plane、C?plane和S?plane切片分別輸入各向異性FCNN并進行全腫瘤網(wǎng)絡模型WA、網(wǎng)絡模型WC和網(wǎng)絡模型WS的訓練；分別使用全腫瘤訓練模型WA、WC、WS對3D腦腫瘤圖像數(shù)據(jù)進行預測，并將預測平均值作為判別全腫瘤的最終結(jié)果；(3)進行腫瘤核心網(wǎng)絡模型訓練，并分割腫瘤核心；(4)進行增強腫瘤網(wǎng)絡模型訓練，并分割增強腫瘤。

技術領域

本發(fā)明屬于圖像處理技術領域，具體涉及一種基于級聯(lián)各向異性FCNN的三維腦腫瘤圖像分割算法。

背景技術

腦腫瘤是指生長在顱腔的新生物，又稱顱內(nèi)腫瘤、腦癌。腦是人類最重要的器官之一，不論腦腫瘤是良性還是惡性，一旦在腦中壓迫到任何部分，都會造成人體不同功能的損傷。臨床上，通常使用核磁共振成像(Magnetic Resonance Imaging,MRI)技術檢查腦部病變，常見的腦腫瘤MRI模態(tài)包括T1加權(T1-weighted,T1)、對比增強T1加權(ContrastEnhanced T1-weighted,T1C)、T2加權(T2-weighted,T2)和液體衰減反轉(zhuǎn)恢復脈沖(FluidAttenuated Inversion Recovery,FLAIR)等成像模態(tài)，不同成像模態(tài)可以提供互補信息來分析腦腫瘤，臨床上通常結(jié)合以上四種圖像共同診斷腦腫瘤的位置和大小。腦腫瘤子結(jié)構通常分為3種：由壞死、水腫、非增強性腫瘤和增強腫瘤組成的稱為全腫瘤(Whole Tumor,WT)；其次在全腫瘤中由壞死、非增強腫瘤和增強腫瘤組成的稱為腫瘤核心(Tumor Core,TC)；最后腫瘤核心中的增強性腫瘤部分稱為增強腫瘤(Enhancing Tumor,ET)。

腦腫瘤的分割有助于醫(yī)生做出準確診斷，為腦腫瘤治療評估提供可靠依據(jù)。但是，腦腫瘤在顱內(nèi)生長的位置和大小具有隨機性，生長形狀不規(guī)則，且人工分割腦腫瘤會依賴于醫(yī)生的個人經(jīng)驗，分割過程耗時費力。因此，腦腫瘤自動分割技術成為現(xiàn)今的一個研究熱點。

為了適應三維(Three-dimensional,3D)技術在現(xiàn)代臨床醫(yī)學中的發(fā)展，基于深度神經(jīng)網(wǎng)絡的分割方法已成功應用于3D腦腫瘤圖像分割。Wenqi Li等提出了一種端到端的3D卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)結(jié)構，該網(wǎng)絡結(jié)構能夠利用腦腫瘤圖片高分辨率的多尺度特征進行分割，但運行過程會消耗大量計算機內(nèi)存，影響分割精確度；Kamnitsas等使用3D CNN進行腦腫瘤分割，并通過條件隨機場進行后處理，以消除誤判，但算法分割準確度總體不高。

使用3D深度神經(jīng)網(wǎng)絡進行圖像分割任務，應考慮感受野、模型復雜度和計算機內(nèi)存消耗之間的平衡。較小感受野僅允許網(wǎng)絡模型學習局部圖像特征，而較大感受野允許網(wǎng)絡模型學習全局圖像特征。學者Long提出的二維(Two-dimensional,2D)全卷積神經(jīng)網(wǎng)絡(Fully Convolutional Neural Network,FCNN)和學者Ronneberger提出的2D U-Net均使用較大感受野學習圖像的全局特征，因此需要較大的圖像塊進行模型的訓練和測試。使用大型3D感受野有助于網(wǎng)絡模型學習3D圖像的全局特征，但用于訓練和測試的大型3D圖像塊會消耗大量計算機內(nèi)存，因此限制了網(wǎng)絡中的特征數(shù)量，導致模型復雜度有限且表達能力低，從而降低算法的分割性能。

發(fā)明內(nèi)容