[發明專利]基于深度學習的腦膠質瘤分割模型及分割方法

在審

• 申請號: 202011318476.1
• 申請日: 2020-11-23
• 公開（公告）號: CN112419267A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 任曉強;趙越
• 申請（專利權）人: 齊魯工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 潘悅梅

1.基于深度學習的腦膠質瘤分割模型，其特征在于包括：

編碼模型，所述編碼模型包括卷積層和N個編碼模塊，所示卷積層用于提取特征，所述編碼包括空洞密集單元以及位于空洞密集單元輸出端的池化層，所示空洞密集單元用于通過擴大感受野和加快信息流動來提取特征，上述N個編碼模塊依次連接并位于卷積層的輸出端，位于傳輸末端的編碼模塊為末端編碼模塊，其它編碼模塊為中間編碼模塊，N大于等于3；

解碼模塊，所述解碼模塊包括依次連接的首端解碼模塊、中間解碼模塊和末端解碼模塊；

所述首端解碼模塊包括依次連接的空洞密集單元和上采樣卷積層，所述首端解碼模塊位于末端編碼模塊的輸出端，且首端解碼模塊的輸出端通過跳躍連接層與末端編碼模塊中空洞密集單元的輸出端跳躍連接；

所述中間解碼模塊共N-2個，上述中間解碼模塊與中間編碼模塊一一對應，每個中間解碼模塊均包括依次連接的卷積層、空間密集單元和上采樣卷積層，每個中間解碼模塊的輸出端通過跳躍連接層和與其對應的中間編碼模塊中空洞密集單元的輸出端跳躍連接，且每個中間解碼模塊均連接于其上一個解碼模塊相關跳躍連接層的輸出端；

所述末端解碼模塊包括依次連接的卷積層、空洞密集單元和卷積層，所述末端解碼模塊位于其上一個解碼模塊相關跳躍層的輸出端。

2.根據權利要求1所述的基于深度學習的腦膠質瘤分割模型，其特征在于所述空洞密集單元由空洞卷積層和密集層連接組成，用于通過擴大感受野和加快信息流動來提取特征。

3.根據權利要求2所述的基于深度學習的腦膠質瘤分割模型，其特征在于所述每個空洞密集單元均增加有膨脹率。

4.基于深度學習的腦膠質瘤分割方法，其特征在于包括如下步驟：

獲取多種三維的核磁共振圖像作為輸入圖像，所述核磁共振圖像上包括多種MRI模態和專家標注的腦膠質區域；

對上述輸入圖像進行歸一化處理，使得輸入圖像符合正態分布；

構建如權利要求1-3任一項所述的基于深度學習的腦膠質瘤分割模型；

基于歸一化處理后的輸入圖像，對所述腦膠質瘤分割模型進行訓練，得到訓練后腦膠質瘤分割模型；

獲取待檢測的核磁共振圖像作為測試圖像，所述核磁共振圖像上包括多種MRI模態和專家標注的腦膠質區域；

對上述測試圖像進行歸一化處理，使得測試圖像符合正態分布；

對于上述測試圖像，通過訓練后腦膠質瘤分割模型進行分割處理。

5.根據權利要求4所述的基于深度學習的腦膠質瘤分割方法，其特征在于對歸一化處理后的輸入圖像進行尺寸剪裁，基于尺寸剪裁后的輸入圖像，對所述腦膠質瘤分割模型進行訓練，得到訓練后腦膠質瘤分割模型；

對上述歸一化處理后的測試圖像進行尺寸剪裁，基于尺寸剪裁后的測試圖像，通過訓練后腦膠質瘤分割模型進行分割處理。