[發明專利]基于級聯卷積神經網絡的腦部膠質瘤分割

在審

• 申請號: 202010029445.8
• 申請日: 2020-01-10
• 公開（公告）號: CN111340828A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 王宜匡;萬程;卜澤鵬;俞秋麗;陳志強
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/11;G06T7/187;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于級聯卷積神經網絡的腦部膠質瘤分割，其特征在于，包括如下步驟：

(1)數據預處理，將圖像進行歸一化；不同模態的圖像經過一個特定的網絡層提取特征，并將各通道結果拼接起來；去除大量0值背景像素，且只選擇有腫瘤數據存在的圖像層作為訓練數據；

(2)構建基于ResNet的粗分割網絡，分別選取網絡在不同尺度下的特征圖，通過卷積和上采樣操作得到與輸入分辨率相同的預測值；將得到的這些預測圖輸入到一個卷積核大小為3×3的卷積層中得到最終的概率圖；

(3)構建融合細分割網絡，包括主體為U-Net類型的2.5D細分割網絡和基于DenseNet的3D細分割網絡，融合2.5D和3D細分割網絡得到最終細分割網絡；

(4)在每一次上采樣階段后加入注意力機制模塊；將前級網絡輸出的尺寸為W×H×C的特征圖通過全局池化轉換為1×1×C的一個特征向量，并將特征向量與原來的特征圖相乘；將前述相乘得到的特征圖通過1×1×C的均值池化層生成一個W×H×1的注意力特征圖，并將注意力圖作為輸出的特征圖的權重；

(5)采用改進的DiceLoss損失函數，采用一個可調節權重w乘以DiceLoss函數分母中的A因子；對圖像中的正樣本以及負樣本的像素點計算損失并對這些損失進行排序，選擇其中損失最大的一部分數據進行反向傳播，其余部分舍棄；

(6)采用形態學操作去除分割結果中體積較小的孤立區域；在3D的角度填補腫瘤分割結果中可能存在的空洞；統計分割結果中的連通域并取最大的兩個作為最終結果，若第二大連通域小于最大連通域的10％則舍棄；采用DenseCRF對分割結果邊緣進一步優化。

2.根據權利要求1所述的基于級聯卷積神經網絡的腦部膠質瘤分割，其特征在于：所述步驟(1)的預處理操作為：對圖像進行歸一化的操作，圖像中的每一個像素，減去該圖像的均值，之后除以對應的標準差；在圖像堆疊起來之前先分別對每個模態進行特征的提取，使送入網絡時從不同模態的圖像中提取到的特征形式基本一致；去除腦組織周圍大量的0值的背景像素，且只選擇有腫瘤數據存在的圖像層作為訓練數據，每個病例采樣100個圖像塊，每個圖像塊的中心體素按照以下概率進行隨機選取：正常組織占30％、腫瘤組織占70％。

3.根據權利要求1所述的基于級聯卷積神經網絡的腦部膠質瘤分割，其特征在于：所述步驟(2)中構建基于ResNet的粗分割網絡為：將3D卷積核(3×3×3)拆分成兩個不同方向的卷積核：x-y方向(3×3×1)以及z軸方向(1×1×3)，每一個輸出后接一個批歸一化層和激活層；分別選取網絡在不同尺度下的特征圖，通過卷積和上采樣操作得到與輸入分辨率相同的預測值；將得到的這些預測圖輸入到一個卷積核大小為3×3的卷積層中得到最終的概率圖。

4.根據權利要求1所述的基于級聯卷積神經網絡的腦部膠質瘤分割，其特征在于：所述步驟(3)中構建融合細分割網絡為：2.5D細分割網絡包括3個編碼模塊和3個解碼模塊；每個編碼模塊包含一個由卷積核為3×3×1的卷積層構成的稠密連接模塊，一個卷積核為1×1×3的卷積層以及一個下采樣層，在網絡的解碼階段，加入了多尺度的上采樣結構，使網絡能夠融合更多不同尺度下的特征；3D細分割網絡是基于Densenet網絡，主要的區別在于：所有的輸入圖像、輸出圖像、卷積核等都是3D的；訓練3D網絡時網絡的參數和權重都經過調整；在網絡的上采樣階段，引入了DenseASPP的策略，通過多尺度的帶孔卷積，實現網絡多尺度特征的融合。

5.根據權利要求1所述的基于級聯卷積神經網絡的腦部膠質瘤分割，其特征在于：所述步驟(4)中在每一次上采樣階段后加入注意力機制模塊；將前級網絡輸出的尺寸為W×H×C的特征圖通過全局池化轉換為1×1×C的一個特征向量，并將特征向量與原來的特征圖相乘，賦予特征圖通道間的不同權重；將前述相乘得到的特征圖通過1×1×C的均值池化層生成一個W×H×1的注意.力特征圖，并將注意力圖作為輸出的特征圖的權重。

6.根據權利要求1所述的基于級聯卷積神經網絡的腦部膠質瘤分割，其特征在于：所述步驟(6)中通過形態學操作去除結果中一些體積較小的孤立區域；其次，在3D的角度上填補結果中腫瘤內部可能存在的孔洞；之后，計算結果中的最大連通域，通過統計分割圖中的連通域，并取其中最大的兩個作為最終的結果，若第二大的連通域小于最大的連通域的10％大小，則舍棄，這是假定所有的MR圖像中最多同時包含2個獨立的腫瘤，將一些小的疑似區域去除；最后，采用DenseCRF對結果邊緣進一步的優化。