[发明专利]基于全卷积网络的脑部MRI肿瘤分割方法

权利要求书

1.基于全卷积网络的脑部核磁共振图像(MRI)肿瘤分割方法，该方法是针对脑部MRI图像，包括如下步骤：

训练粗分割全卷积网络模型，用于检测原始脑部MRI图像中的肿瘤区域；

训练精细分割全卷积网络模型，用于对肿瘤区域内部结构进行精细分割；用肿瘤区域作为训练样本训练精细分割全卷积网络模型，包括：

根据专家分割模板提取原始数据集中的肿瘤区域；先找出手工分割模板中肿瘤区域的上下左右边界，将肿瘤区域提取出来，然后将原始MRI图像中对应区域提取出来；

设计精细分割全卷积网络结构：将粗分割全卷积网络结构进行修改，由于肿瘤区域尺寸较小，这里采用两层池化结构就能取得较好的分割效果，具体为删除FCN-32s的池化层3至5之间的各层，在未分类的特征图谱之前的每层卷积层之后都加一个规范化层和归一化层，具体为反卷积层前一个卷积层之前的所有卷积层都加上一个规范化层和归一化层，用来消除不同肿瘤图像之间的灰度差异性；

用提取出的肿瘤区域作为训练集训练精细分割全卷积网络模型；

利用训练好的两个全卷积网络模型对输入脑部MRI图像进行分割，包括：

对输入脑部MRI图像进行“去黑色背景”预处理；

用训练好的粗分割全卷积网络模型对输入脑部MRI图像进行粗分割，检测出肿瘤区域；

用训练好的精细分割全卷积网络模型对肿瘤区域内部结构进行精细分割；

用预处理过的训练样本训练粗分割全卷积网络模型，包括：

对脑部MRI图像数据集进行“去黑色背景”预处理；

设计粗分割全卷积网络结构：为了充分学习脑部MRI图像的肿瘤特征，本网络采用五层池化结构，池化层1、2的前面各有两层卷积层，池化层3、4、5的前面各有三层卷积层，池化层5后面有三层卷积层；原始图像经过五层池化处理之后，尺寸变为原来的1/32，得到包含高维特征的热图，经过反卷积32倍上采样和裁剪处理得到与原始图像尺寸大小相同图像，再与标签图像进行比较计算出损失值，最后通过反向传播调整各层之间的权值与偏置参数，这个网络称作FCN-32s；直接进行32倍上采样得到的结果往往非常粗糙，为了得到更加精细的分割效果，结合池化层3和池化层4的特征图谱，将五层池化处理后的热图进行2倍上采样，与四层池化处理后的热图进行求和，再经过16倍上采样就得到与原始图像尺寸大小相同的图像，最后经过反向传播调整网络参数，这个网络称作FCN-16s；同理，将上一步求和后的热图进行2倍上采样与三层池化处理后的热图进行求和，再经过8倍上采样得到与原始图像尺寸大小相同的图像，最后经过反向传播调整网络参数，这个网络称作FCN-8s；

用预处理后的脑部MRI图像作为训练集训练粗分割全卷积网络模型，先训练FCN-32s网络，再用训练好的参数去初始化并训练FCN-16s网络，最后用训练好的参数去初始化并训练FCN-8s网络。