[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

本發明公開了基于深度學習的腦膠質瘤分割模型及分割方法，屬于腦膠質瘤分割技術領域，要解決的技術問題為如何準確的對腦膠質瘤進行分割。分割模型，包括：編碼模型，包括卷積層和N個編碼模塊，編碼模型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；解碼模塊，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；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；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；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，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。

技術領域

本發明涉及腦膠質瘤分割技術領域，具體地說是基于深度學習的腦膠質瘤分割模型及分割方法。

背景技術

在當今的社會中，人們也越來越關注自身的生活條件與醫療條件，健康也成為人們生活中非常關注的話題，因此醫學必須不斷發展，作為醫生診斷和治療重要手段的醫學影像也必須得到相應的發展。現今，醫學圖像在醫療診斷中起著不可低估的重要作用。

在醫學圖像中有核磁共振掃描(MRI)和計算機斷層掃描(CT)等，醫學圖像分割在醫學研究、病情分析、手術計劃中有著廣泛的應用于研究價值。智能分割腦膠質瘤對疾病診斷和臨床決策具有重要意義。

腦瘤的大小和形狀不規則、位置不確定、邊界模糊，基于核磁共振的自動分割腦膠質瘤是一項具有挑戰性的任務。在臨床中，腦膠質瘤的診斷通常是由專家手動分割的，這既浪費時間而且難度很高，腦膠質瘤的分離是臨床治療的關鍵。

如何準確的對腦膠質瘤進行分割，是需要解決的技術問題。

發明內容

本發明的技術任務是針對以上不足，提供一種基于深度學習的腦膠質瘤分割模型及分割方法，來解決如何準確的對腦膠質瘤進行分割的問題。

第一方面，本發明提供一種基于深度學習的腦膠質瘤分割模型，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，所述編碼模塊包括依次連接的空洞密集單元和池化層，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。

作為優選，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。

作為優選，所述每個空洞密集單元均增加有膨脹率。

第二方面，本發明提供一種基于深度學習的腦膠質瘤分割方法，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；