[发明专利]结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置

权利要求书

1.一种结合卷积神经网络和模糊推理的脑肿瘤分割方法，其特征是，步骤如下：

1)选取图像,从T1(T1-weighted MRI)、T2(T2-weighted MRI)、T1c(T1-weighted MRI with contrast enhancement)和Flair(Fluid-Attenuated Inversion Recovery)四种类型脑肿瘤MRI图像中选出两种最有效于卷积神经网络模型建立和脑肿瘤分割结果的单模态图像；

2)构建CNN模型，将选择好的两种类型脑肿瘤图像分别作为训练样本，专家分割结果图的像素点作为训练样本的真值标签，分别训练得到两种模态图像的CNN模型；

3)非线性映射，通过非线性映射将错误样本点的概率均匀分布在0到1之间，使得在大样本情况下的概率分布更好地表现出像素点之间的差异性；

4)模糊推理系统，将两种类型单模态图像的概率预测结果作为输入，建立模糊推理系统整合两种类型图像的特征，得到脑肿瘤的分割结果。

2.如权利要求1所述的结合卷积神经网络和模糊推理的脑肿瘤分割方法，其特征是，一个实例中，构建CNN模型具体步骤是，将每幅Flair和T2图像以像素点为中心切分为若干个尺寸为35*35的图像作为原始输入，输入图像首先经过由6个6*6邻域的卷积核组成的卷积层后得到6个30*30的特征图，再经过下采样得到6个15*15的特征图；再经过由12个6*6邻域的卷积核组成的卷积层得到12个10*10的特征图，并通过下采样得到12个5*5的特征图；然后通过全连接层将得到的特征图转化为一维特征；最后，在输出层中得到输入样本是否属于肿瘤的概率。

3.如权利要求1所述的结合卷积神经网络和模糊推理的脑肿瘤分割方法，其特征是，一个实例中，非线性映射的具体步骤是，找出模型训练中所有肿瘤误判为非肿瘤的样本，将其预测概率从小到大排列并等分为10份，令其边界值分别对应于0，0.05，0.1，…，0.5；同理，找出训练样本中所有非肿瘤误判为肿瘤的训练样本，并将其预测概率从小到大排列并等分为10份，另其边界值分别对应于0.5，0.55，0.6，…，1；最终，对边界值和映射点进行分段线性拟合得到非线性映射函数。

4.如权利要求1所述的结合卷积神经网络和模糊推理的脑肿瘤分割方法，其特征是，在一个具体实例中，在模糊系统中，以Flair图像的结果作为基准，并利用T2图像来进行调整；

令p₁表示Flair图像像素点预测为肿瘤区域概率的模糊变量，对于p₁，将其分为九种状态。其中，a表示该像素点一定属于非肿瘤区域；b表示该像素点极有可能属于非肿瘤区域；以此类推，i表示该像素点一定属于肿瘤区域；

令p₂表示T2图像像素点预测为肿瘤区域概率的模糊变量，共分为a到h八种状态，且该像素点属于肿瘤区域的概率依次增大；

令p₃表示结合两类图像后得到的像素点属于肿瘤的概率，其中，T表示该像素点属于肿瘤区域，F表示该像素点属于非肿瘤区域；

由于模糊推理系统有两个输入，分别存在9种和8种状态。因此，模糊规则共分为9*8＝72种情况，通过对训练集样本进行分析得到具体的推理规则，如表1所示。

表1

当p₁状态为a，即p₁趋近于0时，p₃的状态为F；当p₁状态为i，即p₁趋近于1时，p₃的状态为T；在p₁不断接近0.5的过程中，Flair图像的置信度不断降低，此时需引入T2图像所对应的模糊变量p₂作进一步判断。

5.一种结合卷积神经网络和模糊推理的脑肿瘤分割装置，由计算机构成，其特征是，计算机内设置有如下模块，用于处理输入的T1、T2、T1c和Flair四种类型脑肿瘤MRI图像进行处理：

1)选取图像模块,用于从T1、T2、T1c和Flair四种类型脑肿瘤MRI图像中选出两种最有效于卷积神经网络模型建立和脑肿瘤分割结果的单模态图像；

2)CNN模型模块，将选择好的两种类型脑肿瘤图像分别作为训练样本，专家分割结果图的像素点作为训练样本的真值标签，分别训练得到两种模态图像的CNN模型；

3)非线性映射模块，通过非线性映射将错误样本点的概率均匀分布在0到1之间，使得在大样本情况下的概率分布更好地表现出像素点之间的差异性；

4)模糊推理系统，将两种类型单模态图像的概率预测结果作为输入，建立模糊推理系统整合两种类型图像的特征，得到脑肿瘤的分割结果。