[发明专利]基于改进的全卷积神经网络脑肿瘤图像分割方法及装置

权利要求书

1.一种基于改进的全卷积神经网络脑肿瘤图像分割方法，其特征是，步骤如下：

1)选取图像：首先对磁共振MRI脑肿瘤液体衰减反转恢复FLAIR、自旋-自旋弛豫T2及T1增强T1C图像采用中值滤波去噪，然后对三种模态进行线性比例融合，以便更好地对脑肿瘤进行分割；

2)构建全卷积神经网络FCN模型：将融合好后的脑肿瘤图像作为训练样本，专家分割结果图的像素点作为训练样本的真值标签，然后进行FCN模型的训练；

3)测试分割结果，当FCN模型训练好后，利用训练的模型对任意一张脑肿瘤图像进行肿瘤位置及边界大小的预测，并使用相应的评价指标对分割结果进行评价，以便更好地改进FCN模型。

2.如权利要求1所述的基于改进的全卷积神经网络脑肿瘤图像分割方法，其特征是，测试分割结果步骤中，输入数据在经过Pooling1、Pooling2、Pooling3、Pooling4和Pooling5的最大池化层后，会分别得到原图1/2尺寸、1/4尺寸、1/8尺寸、1/16尺寸以及1/32尺寸的特征向量图。把第4个卷积核的特征对上一次Upsamping1之后的图进行反卷积Upsamping2补充细节，相当于一个插值过程，再把第3个卷积核的特征对刚才Upsamping2之后的图像进行再次反卷积Upsamping3补充细节，最后再把第2个卷积核的特征对刚才Upsamping3之后的图像进行再次反卷积Upsamping4补充细节，如此一来，深层网络的特征图与浅层网络的特征图便可相互补充，最后相加得到一个精度相对较高的分割图。

3.如权利要求1所述的基于改进的全卷积神经网络脑肿瘤图像分割方法，其特征是，FCN采用反卷积层对最后一个卷积层的特征向量图进行上采样Upsamping，插值点P的4个邻点坐标分别为Q₁₁＝(x₁,y₁)，Q₂₁＝(x₂,y₁)，Q₁₂＝(x₁,y₂)，Q₂₂＝(x₂,y₂)，首先在X方向上进行第一次线性插值计算，得到：

f(R1)≈x2-xx2-x1f(Q11)+x-x1x2-x1f(Q21)---(1)]]>

f(R2)≈x2-xx2-x1f(Q12)+x-x1x2-x1f(Q22)---(2)]]>

然后在Y方向上进行线性插值，得到：

f(P)≈y2-yy2-y1f(R1)+y-y1y2-y1f(R2)---(3)]]>

将公式(1)和公式(2)代入到公式可得插值点P的坐标值f(x,y)：

f(x,y)≈f(Q11)(x2-x1)(y2-y1)(x2-x)(y2-y)+f(Q21)(x2-x1)(y2-y1)(x-x1)(y2-y)+f(Q12)(x2-x1)(y2-y1)(x2-x)(y-y1)+f(Q22)(x2-x1)(y2-y1)(x-x1)(y-y1)---(4)]]>

经过如此的操作，最后经过池化的特征向量图便会恢复到输入图像相同的尺寸，从而对每个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后在上采样的特征图中进行逐像素分类，从而实现图像分割。

4.一种基于改进的全卷积神经网络脑肿瘤图像分割装置，其特征是，由磁共振MRI设备、中值滤波去噪装置、图像线性比例融合模块、采集卡、计算机；

图像线性比例融合模块用于将选取FLAIR、T2和T1C三种模态的图像进行线性比例的融合；

磁共振MRI设备产生的图像依次经中值滤波去噪装置、图像线性比例融合模块、采集卡进入计算机；

计算机设置有构建FCN模型模块、测试分割结果模块；

构建FCN模型模块用于，将融合好后的脑肿瘤图像作为训练样本，专家分割结果图的像素点作为训练样本的真值标签，进行FCN模型的训练，构建出FCN模型；

测试分割结果模块用于，当FCN模型训练好后，利用训练的模型对任意一张脑肿瘤图像进行肿瘤位置及边界大小的预测，并使用相应的评价指标对分割结果进行评价，以便更好地改进FCN模型。