[發明專利]結合改進的FCNN和水平集的三維腦腫瘤圖像分割方法

在審

• 申請號: 201910314339.1
• 申請日: 2019-04-18
• 公開（公告）號: CN110097567A
• 公開（公告）日: 2019-08-06
• 發明（設計）人: 趙柳;李鏘;關欣
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/149
• 分類號: G06T7/149;G06T7/12;G06T5/00;G06N3/08;G06N3/04;G06K9/62
• 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

本發明涉及一種結合改進的FCNN和水平集的三維腦腫瘤圖像分割方法，步驟如下：對T1、T1C、T2和FLAIR四種模態的MRI腦腫瘤圖像進行去除偏置場效應和灰度歸一化的預處理操；使用改進的FCNN對預處理后的腦腫瘤圖像進行初分割；利用水平集方法對腦腫瘤初分割圖像進行精分割：將腦腫瘤的初分割圖像作為待分割圖像輸入到水平集方法中，利用分割目標邊界信息和區域信息細化腦腫瘤的分割邊界。

技術領域

本發明是醫學影像領域中的一個重要領域，將醫學圖像和計算機算法結合，完成三維腦腫瘤核磁共振圖像分割。具體涉及一種結合改進的FCNN和水平集方法的三維腦腫瘤圖像分割算法。

背景技術

近年來，腦腫瘤發病率呈上升趨勢。由于腦腫瘤膨脹的浸潤性生長，在顱內一旦占據一定空間，不論其性質是良性還是惡性，都勢必使顱內壓升高，壓迫腦組織，導致中樞神經損害，危及患者生命。核磁共振成像(Magnetic Resonance Imaging,MRI)具有無放射線損害、無骨性偽影、能多方面多參數成像以及具有高度的軟組織分辨能力等獨特優點，特別適合用于臨床腦部病變檢查，為醫生準確地做出診斷和制定治療方案提供條件。腦腫瘤MRI模態包括T1加權(T1-weighted,T1)、對比增強T1加權(Contrast Enhanced T1-weighted,T1C)、T2加權(T2-weighted,T2)和液體衰減反轉恢復脈沖(Fluid Attenuated InversionRecovery,FLAIR)等成像模態，不同成像模態可以提供互補信息來分析腦腫瘤，臨床上通常結合以上四種圖像共同診斷腦腫瘤的位置和大小。例如，T2模態和FLAIR模態突出顯示腦腫瘤周圍水腫區域，該區域稱為全腫瘤；T1模態和T1C模態突出顯示沒有水腫的腫瘤區域，該區域稱為腫瘤核心；在T1C模態中能夠觀察到具有高強度信號的腫瘤核心增強區域，該區域稱為增強腫瘤。目前，腦腫瘤主要依靠專家手動分割完成，而人工分割耗時費力，分割結果因人而異。因此，研究一套全自動、精確度高的腦腫瘤分割系統是十分必要的。

近年來，基于深度神經網絡的分割方法已成功應用于多模態腦腫瘤分割。Havaei等使用卷積神經網絡(Convolutional Neural Network,CNN)，將腫瘤的局部特征信息和全局特征信息結合起來，以便網絡更好地學習腦腫瘤特征，于此得到了較好的分割結果，然而，他們的工作是在二維(Two-dimensional,2D)切片上實現的，沒有考慮切片與切片之間的相關信息；Wenqi Li等提出了一種端到端的三維(Three-dimensional,3D)CNN結構，該網絡結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存，影響分割精確度。

為了提高神經網絡的訓練精度，本發明對3D全卷積神經網絡(FullyConvolutional Neural Network,FCNN)進行改進，引入殘差結果以改變卷積層連接方式，并通過改變卷積層通道使網絡融合三個不同網絡深度的特征信息，提高網絡性能。為了提高分割精確度，本發明將深度學習和傳統機器學習算法的結合應用在腦腫瘤分割，對改進的FCNN分割后的腦腫瘤圖像使用水平集方法進行精分割，進一步細化初分割結果中的腦腫瘤邊界，能夠有效提高腦腫瘤分割準確性。

發明內容

本發明的目的在于提出一種結合改進的FCNN和水平集方法的三維腦腫瘤圖像分割算法，以便能夠準確地分割腦腫瘤，便于滿足后續臨床需求。技術方案如下：

一種結合改進的FCNN和水平集的三維腦腫瘤圖像分割方法，步驟如下：

(1)對T1、T1C、T2和FLAIR四種模態的MRI腦腫瘤圖像進行去除偏置場效應和灰度歸一化的預處理操；

(2)使用改進的FCNN對預處理后的腦腫瘤圖像進行初分割，方法如下：