[發明專利]一種基于級聯深度神經網絡模型的腦膠質瘤分割方法

有效

• 申請號: 202110075763.2
• 申請日: 2021-01-20
• 公開（公告）號: CN112837276B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 左瑾;欒曉;李智星
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 陰知見

本發明涉及一種基于級聯深度神經網絡模型的腦膠質瘤分割方法，屬于醫學圖像處理領域。該模型包括WT?Net、TC?Net和ET?Net編碼解碼子模塊，并且WT?Net編碼解碼子模塊與TC?Net編碼解碼子模塊級聯，TC?Net編碼解碼子模塊與ET?Net編碼解碼子模塊級聯；編碼解碼子模塊皆包括編碼部分、解碼部分和跳層連接。本發明將復雜的多分類問題分解成三個二分類問題，級聯模型解決了樣本利用程度不高、訓練樣本不均衡以及特征提取過程中全局信息損失問題，實現了MRI圖像腦膠質瘤自動分割，對醫生診斷病情具有輔助作用。

技術領域

本發明屬于醫學圖像處理領域，涉及一種基于級聯深度神經網絡模型的腦膠質瘤分割方法。

背景技術

腦膠質瘤是最普遍的腦腫瘤，具有極高的致死率。根據膠質瘤的病理性評估，可以分為高級膠質瘤(High-grade?Gliomas，HGG)和(Low-grade?Gliomas，LGG)。HGG子區域包括水腫、壞死核心、增強區域以及非增強區域，且生長快速具有較高致死率，而LGG不包含增強區域，且生長緩慢對病人有更小的侵略性。

核磁共振圖像(Magnetic?Resonance?Imaging,MRI)對軟組織有較好成像效果，能夠差異呈現不同腦膠質瘤區域。腦膠質瘤核磁共振圖像通常使用多種模態，例如：T1-weighted(T1)，?Contrast?Enhanced?T1-weighted(T1ce)，T2-weighted(T2)以及FluidAttenuation?Inversion?Recovery(FLAIR)。四種模態對不同腫瘤組織的敏感程度不同。FlAIR模態對瘤周水腫更為敏感，更利于完整腫瘤圖像分割，而T2和T1ce對腫瘤核心和增強區域更為敏感。MRI圖像的腦膠質瘤分割結果能夠輔助醫生診斷腦膠質瘤形態，對手術治療有指導意義。雖然MRI能夠對腦膠質瘤很好地成像，但是分割腫瘤圖像仍然存在困難。由于平滑的圖像強度梯度、部分容積效應和場偏移效應，相鄰結構之間的邊界往往不明確，且不同病人的腫瘤位置、形狀、大小高度異質。目前，主要依賴于專家手動分割，分割結果容易出錯、受分割者主觀影響、花費時間長并且花費昂貴。因此，高效準確的腦腫瘤自動分割算法的研究尤為重要。

近幾年，隨著以卷積神經網絡為代表的深度學習方法的提出，醫學圖像分析與處理領域的研究取得了突破性進展。深度學習通過搭建卷積神經網絡，在模型參數的不斷迭代更新的過程中，學習圖像的深層次且具有代表性的抽象特征，構建模型供后續分割任務使用。卷積神經網絡通常由卷積模塊堆疊而成。卷積模塊包括卷積層、激活層和池化層，其中卷積層通過卷積核在特征圖上進行卷積操作，獲取圖像特征，然后由激活層對特征圖做非線性變化，經過池化層獲取多尺度特征。

基于深度學習的腦膠質瘤分割方法可以分為：基于圖像塊的方法和基于全連接網絡的方法。圖像塊的方法通過提取領域像素的特征預測中心像素標簽概率。圖像塊方法對每一個像素都進行一次單獨的卷積網絡計算，導致大量冗余計算且破壞全局特征。全卷積網絡，關注圖像全局特征，一次性在對所有像素點分類且同時保留原始圖像的全局信息，與圖像塊方法相比，能夠減少計算量，其改進模型U-Net在腦膠質瘤分割算法中應用廣泛。基于U-Net模型，Kong等人使用金字塔思想加強多尺度特征的利用，Chen等人使用空間可分離卷積提取樣本3D特征。這些方法雖然針對特征提取進行了改進，但忽略了不同任務對不同數據模態的差異需求。Lachinov等人提出了改進3D?U-Net方法，在模型編碼階段采用模態分離學習方法高效處理輸入的多模態MRI，提高模型對多模態圖像的利用程度。Wang等人和Chen等人根據腦膠質瘤組織的層次結構，提出級聯模型方法，以較大區域腫瘤組織作為子區域的預分割區域，約束子區域的分割范圍。這種粗暴的預分割方法雖然能有效提高復雜子區域的分割效果，但要求預分割結果容錯率低，且預分割結果形變會破壞圖像結構。簡言之，基于深度學習的腦膠質瘤分割方法面臨訓練樣本不均衡的挑戰，同時存在對訓練樣本利用程度不高、提取腫瘤區域過程中破壞全局信息的問題。

發明內容