[發(fā)明專利]一種結(jié)合小波變換的級聯(lián)U-N Net腦腫瘤分割方法

有效

• 申請?zhí)枺?/td>: 202011001309.4
• 申請日: 2020-09-22
• 公開（公告）號: CN112634192B
• 公開（公告）日: 2023-10-13
• 發(fā)明（設(shè)計(jì)）人: 戰(zhàn)蔭偉;黃煒倬
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/10;G06T5/00;G06V10/774;G06V10/82;G06N3/0464;G06V30/24
• 代理公司: 廣東廣信君達(dá)律師事務(wù)所 44329
• 代理人: 孔祥健

1.一種結(jié)合小波變換的級聯(lián)U-N Net腦腫瘤分割方法，其特征在于，包括以下步驟：

S1、對輸入的圖像序列進(jìn)行預(yù)處理；圖像序列包括四種模態(tài)數(shù)據(jù)FLAIR、T2、T1、T1C以及標(biāo)注數(shù)據(jù)；

S2、利用Pytorch深度學(xué)習(xí)框架建立級聯(lián)型網(wǎng)絡(luò)的第一層，對結(jié)合小波變換的U-Net模型進(jìn)行訓(xùn)練，然后將模型的訓(xùn)練結(jié)果與模態(tài)數(shù)據(jù)T1和T1C進(jìn)行相乘處理，生成粗分割圖像；

S3、利用Pytorch深度學(xué)習(xí)框架建立級聯(lián)型網(wǎng)絡(luò)的第二層，對結(jié)合小波變換的N-Net模型進(jìn)行訓(xùn)練，生成精分割圖像，即最終的腦腫瘤分割結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種結(jié)合小波變換的級聯(lián)U-N Net腦腫瘤分割方法，其特征在于，所述預(yù)處理具體包括：對圖像序列的四種模態(tài)數(shù)據(jù)進(jìn)行N4偏移場校正和各向異性去噪，同時(shí)將對應(yīng)的標(biāo)注數(shù)據(jù)分成兩份，一份不作處理，另一份作二值化處理，生成粗分割標(biāo)注數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的一種結(jié)合小波變換的級聯(lián)U-N Net腦腫瘤分割方法，其特征在于，所述步驟S2中，以FLAIR和T2作為訓(xùn)練樣本，處理過的標(biāo)注數(shù)據(jù)作為樣本的真值進(jìn)行訓(xùn)練，然后將結(jié)合小波變換的U-Net模型的訓(xùn)練結(jié)果與其他兩種模態(tài)數(shù)據(jù)T1和T1C進(jìn)行相乘處理，生成粗分割圖像。

4.根據(jù)權(quán)利要求3所述的一種結(jié)合小波變換的級聯(lián)U-N Net腦腫瘤分割方法，其特征在于，所述步驟S2中，結(jié)合小波變換的U-Net模型的具體結(jié)構(gòu)為：

以U-Net網(wǎng)絡(luò)的4層編碼解碼架構(gòu)為基礎(chǔ)架構(gòu)，每一層的層卷積塊由原來的2個(gè)幀間卷積塊替換成1個(gè)幀間卷積塊和1個(gè)Haar小波變換模塊；編碼路徑的層間池化層操作替換成Haar小波變換操作，以Haar小波變換后的低頻分量作為下一層的輸入，同時(shí)保留Haar小波變換的高頻分量；在解碼路徑中，層間的反卷積操作由原來的1次上采樣操作和1個(gè)反卷積塊替換成1次Haar逆小波變換和1個(gè)幀間卷積塊，在Haar逆小波變換過程中，所述的高頻分量經(jīng)過跳躍結(jié)構(gòu)后參與圖像重構(gòu)。

5.根據(jù)權(quán)利要求4所述的一種結(jié)合小波變換的級聯(lián)U-N Net腦腫瘤分割方法，其特征在于，所述步驟S3中，用步驟S2生成的粗分割圖像作為訓(xùn)練樣本，以步驟S1中未作處理的標(biāo)注數(shù)據(jù)作為訓(xùn)練樣本的真值，對結(jié)合小波變換的N-Net模型進(jìn)行訓(xùn)練，生成最終的腦腫瘤分割結(jié)果。

6.根據(jù)權(quán)利要求5所述的一種結(jié)合小波變換的級聯(lián)U-N Net腦腫瘤分割方法，其特征在于，所述步驟S3中，結(jié)合小波變換的N-Net模型的具體結(jié)構(gòu)為：

以U-Net網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為基本結(jié)構(gòu)，在主體編碼過程中增添旁路編碼路徑，使得輸入圖像經(jīng)過數(shù)量與所述主體編碼層數(shù)相同的卷積塊，每個(gè)卷積塊由2個(gè)幀間卷積塊組成，且每個(gè)卷積塊輸出的特征圖會(huì)通過跳躍結(jié)構(gòu)，拼接到對應(yīng)的編碼路徑層加入到運(yùn)算當(dāng)中。