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

有效

• 申請(qǐng)?zhí)枺?/td>: 202011001309.4
• 申請(qǐng)日: 2020-09-22
• 公開(kāi)（公告）號(hào): CN112634192B
• 公開(kāi)（公告）日: 2023-10-13
• 發(fā)明（設(shè)計(jì)）人: 戰(zhàn)蔭偉;黃煒倬
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): 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

本發(fā)明公開(kāi)了一種結(jié)合小波變換的級(jí)聯(lián)U?N Net腦腫瘤分割方法，包括以下步驟：S1、對(duì)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(jí)聯(lián)型網(wǎng)絡(luò)的第一層，對(duì)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(jí)聯(lián)型網(wǎng)絡(luò)的第二層，對(duì)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。本發(fā)明既能提高分割效率，又能解決腦腫瘤MRI分割中腫瘤邊界模糊、分割精度低等問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像分割的技術(shù)領(lǐng)域，尤其涉及到一種結(jié)合小波變換的級(jí)聯(lián) U-NNet腦腫瘤分割方法。

背景技術(shù)

腦腫瘤分割是醫(yī)學(xué)圖像處理的分支之一，其特征在于根據(jù)圖像中，腦腫瘤與腦部其他健康組織之間存在如紋理和灰度差值等的特異性信息，利用算法將腦腫瘤從圖像中分離或標(biāo)注出來(lái)。

目前常見(jiàn)的腦腫瘤類(lèi)型是神經(jīng)膠質(zhì)瘤，該類(lèi)型腫瘤組成一般由腫瘤核部分、壞死部分以及水腫區(qū)域組成，這些組成部分在核磁共振成像(Magnetic Resonance Imaging,MRI)上的表現(xiàn)存在差異、側(cè)重不同，F(xiàn)LAIR和T2模態(tài)能突出表現(xiàn)水腫區(qū)域，而T1和T1CE則對(duì)腫瘤核和壞死部分信息敏感。對(duì)腦腫瘤MRI精準(zhǔn)的分割對(duì)提高腫瘤診斷、手術(shù)計(jì)劃和預(yù)測(cè)患者預(yù)后有著重要的意義，然而，過(guò)去手工地從MRI中分割腦腫瘤是耗時(shí)且容易產(chǎn)生分割精度損失的。

腦腫瘤分割的難點(diǎn)在于三點(diǎn)：腫瘤邊界容易與健康組織混淆，腫瘤核的形狀、結(jié)構(gòu)、位置等信息帶有隨機(jī)性，以及成像過(guò)程中存在的偽影難以消除。

為克服上述的困難，越來(lái)越多的深度學(xué)習(xí)技術(shù)應(yīng)用到腦腫瘤分割當(dāng)中，許多工作對(duì)常見(jiàn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如CNNs，F(xiàn)CN和U-Net等進(jìn)行調(diào)整修改以達(dá)到更好的分割結(jié)果，但CNNs存在大量的池化層操作會(huì)丟失特征圖中關(guān)鍵信息；FCN雖然在結(jié)構(gòu)上減少了冗余的池化層操作，并在最后的全連接層生成與輸入同樣尺寸的結(jié)果，但因未考慮上下文信息而損失邊界細(xì)節(jié)；為改進(jìn)上述缺點(diǎn)，U-Net在FCN 的基礎(chǔ)上增加了反卷積的解碼路徑，同時(shí)為保留上下文信息加入了跳躍結(jié)構(gòu)，但在多輸入多分類(lèi)問(wèn)題上，單一的U-Net對(duì)特征處理能力有限。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種結(jié)合小波變換的級(jí)聯(lián)U-N Net腦腫瘤分割方法，旨在利用級(jí)聯(lián)網(wǎng)絡(luò)的方法實(shí)現(xiàn)分步分割，解決腦腫瘤MRI 分割中腫瘤邊界模糊、分割精度低等問(wèn)題；同時(shí)引入小波變換的輕量化設(shè)計(jì)，降低級(jí)聯(lián)網(wǎng)絡(luò)的參數(shù)量，提高分割效率。

為實(shí)現(xiàn)上述目的，本發(fā)明所提供的技術(shù)方案為：

一種結(jié)合小波變換的級(jí)聯(lián)U-N Net腦腫瘤分割方法，包括以下步驟：

S1、對(duì)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(jí)聯(lián)型網(wǎng)絡(luò)的第一層，對(duì)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(jí)聯(lián)型網(wǎng)絡(luò)的第二層，對(duì)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。

進(jìn)一步地，所述預(yù)處理具體包括：對(duì)圖像序列的四種模態(tài)數(shù)據(jù)進(jìn)行N4偏移場(chǎng)校正和各向異性去噪，同時(shí)將對(duì)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)。

進(jìn)一步地，所述步驟S2中，以FLAIR和T2作為訓(xùn)練樣本，處理過(guò)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。

進(jìn)一步地，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：