[發明專利]一種基于U-Net網絡的腦腫瘤分割網絡及分割方法

有效

• 申請號: 201911367447.1
• 申請日: 2019-12-26
• 公開（公告）號: CN111192245B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 楊鐵軍;周玉丹;朱春華;李磊;樊超
• 申請（專利權）人: 河南工業大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V20/70;G06V10/82;G06V10/52;G06V10/80;G06V10/764;G06T7/00;G06N3/0464;G06N3/048;G06N3/047;G06N3/084
• 代理公司: 鄭州旭揚知識產權代理事務所(普通合伙) 41185
• 代理人: 高超

1.一種基于U-Net網絡的腦腫瘤分割網絡系統，其特征在于：包括收縮徑路、擴張路徑和網絡跳躍連接部分；

收縮路徑包括四個下采樣層，下采樣層采用3×3的卷積層并且進行一次批標準化計算，相鄰兩個卷積層之間進行最大池化操作，收縮路徑末尾連接有空間金字塔池化結構；

擴張路徑包括四個上采樣層，上采樣層采用3×3的卷積層并且進行放大倍數為2×2的上采樣計算，在原有圖像像素的基礎上在像素點之間采用雙線性內插值算法插入新元素；

網絡跳躍連接部分引入不同尺度的空洞卷積，并且采用Add操作與原始輸入形成一個帶有空洞卷積的殘差塊，擴大收縮路徑中的淺層特征信息的感受野，然后與對應階段的擴張路徑融合；

所述殘差塊包括四個不同尺度的空洞卷積層，每個空洞卷積層均連接對應下采樣層的輸出，空洞卷積層輸出結果與對應下采樣層輸出通過Add操作構成一個殘差連接，每個殘差連接的輸出結果通過Merge操作與對應低一層次的上采樣數據在Z軸上進行融合，融合后的特征圖像最終用作對應上采樣層的輸入；

所述空間金字塔池化結構包括BN模塊和四個尺度的3×3的空洞卷積層，先對輸入圖像進行批標準化操作并輸出特征圖，然后對特征圖進行3×3的空洞卷積級聯，四個空洞卷積層的采樣率分別為2、4、8和16。

2.根據權利要求1所述的基于U-Net網絡的腦腫瘤分割網絡系統，其特征在于：四個空洞卷積層的采樣率分別為16、8、2和4。

3.根據權利要求1所述的基于U-Net網絡的腦腫瘤分割網絡系統，其特征在于：所述卷積層中加入了BN模塊。

4.一種基于權利要求1所述基于U-Net網絡的腦腫瘤分割網絡系統的分割方法，其特征在于：包括以下步驟：

A、建立訓練數據集并對訓練數據集進行裁剪預處理，生成具有四種模態的二維圖像作為訓練階段的輸入；

B、構建基于U-Net網絡的腦腫瘤分割網絡DCU-Net；具體過程如下：

b1：使用多尺度空間金字塔池化替換U-Net收縮路徑末端的最大池化，在保持圖像分辨率的同時，擴大特征感受野；具體為：空間金字塔池化先對輸入圖像進行批標準化，然后分別對輸入圖像進行四個尺度的3×3空洞卷積級聯，提取不同感受野的特征圖并將特征信息進行融合，最后級聯輸出不同感受野抓取的特征圖；

b2：在U-Net的跳躍連接部分通過Add操作引入空洞卷積殘差塊，然后與對應階段的擴張路徑融合；具體為：空洞卷積層連接對應下采樣層的輸出，空洞卷積層輸出結果與對應下采樣層輸出通過Add操作構成一個殘差連接，每個殘差連接的輸出結果通過Merge操作與對應低一層次的上采樣數據在Z軸上進行融合，融合后的特征圖像最終用作對應上采樣層的輸入；

C、將預處理后的二維圖像輸入到分割模型中進行特征學習和優化，獲取分割模型的最優參數模型；

D、將待分割的測試數據集圖像輸入步驟C所得分割模型中進行腫瘤區域分割，輸出分割后的圖像。

5.根據權利要求4所述的分割方法，其特征在于：步驟C具體過程如下：

選擇損失函數作為優化目標完成網絡訓練優化，損失函數采用交叉熵；損失函數定義如下：

公式(1)中，y_i表示真實值，y_i^*表示預測值；通過神經網絡將真實值與預測值進行匹配，再經過損失函數就即可計算出損失；

然后，擴張路徑最后使用非線性激活函數將特征轉化為三個標簽的概率預測值，采用梯度下降算法進行網絡權重參數優化，以達到損失最小化，完成網絡參數的訓練；

最后，通過Sofmax分類函數對像素點逐一進行概率映射，以得到分割好的標簽概率圖輸出。

6.根據權利要求5所述的分割方法，其特征在于：在分割測試數據集時，通過Softmax分類函數將多個神經元的原始輸出值映射為0～1的概率分布，取概率最大值作為該像素值的分類標簽，最終逐像素對待分割圖像進行三個腫瘤標簽劃分。

7.根據權利要求4所述的分割方法，其特征在于：步驟A具體過程如下：

a1：隨機選取N位患者的MRI作為訓練數據集，將大小為240×240×155的四種模態的三維MRI圖像進行裁剪處理，選取中間的152層作為數據集；

a2：將152層MRI中每一層的大小由240×240裁剪為146×192，除去了部分背景像素，最終將大小為240×240×155的三維MRI圖像裁剪為146×192×152的大小的三維MRI圖像；

a3：對裁剪后的三維MRI圖像進行強度歸一化；具體為：移除每個圖像序列的1％最高強度值和1％最低強度值，采用強度歸一化算法將圖像中每個像素強度值減去均值除以方差，得到強度值范圍為[0，1]的標準化圖像；

a4：將N張146×192×152大小的三維MRI圖像以像素為中心進一步劃分為8760個大小為128×128大小的二維圖像塊，并進行強度歸一化。