[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

说明书

技术领域

本发明涉及医疗器械，具体讲,涉及基于改进的全卷积神经网络脑肿瘤图片分割方法及装置。

背景技术

大脑是人身体中最重要的部分，但近年来脑肿瘤发病率呈上升趋势，据调查显示，仅2015年在美国被诊断的脑肿瘤人数就新增了23,000人。世界卫生组织依据病变程度把脑肿瘤分为五个等级，脑肿瘤主要分为良性肿瘤和恶性肿瘤两类，脑膜瘤等良性肿瘤在通过手术治疗后一般能够恢复健康，而胶质瘤和成胶质瘤等恶性肿瘤因其顽固性难以治愈，又被称为脑癌。核磁共振成像(Magnetic Resonance Imaging,MRI)具有非侵入性，能在病人不接受高电离辐射的情况下提供形状、大小及位置等信息，且具有良好的软组织对比度，在脑肿瘤的诊断、治疗和手术引导中越来越受到人们的关注。但是由于脑肿瘤形状复杂，大小和位置具有随机性，类型差异大等因素，导致目前还没有一种分割算法能够满足临床的需要，实时性也无法达到要求，不同专家手动分割脑肿瘤图像的结果也有很大差异，而且人工成本较高。因此，研究一套全自动、精确度高及鲁棒性强的脑肿瘤分割系统是十分有必要的。

目前已有多种算法成功应用于脑肿瘤图像分割上，主要包括基于区域的分割方法、基于模糊聚类的分割方法和卷积神经网络方法等。基于区域生长的分割方法首先在目标区域选中一个种子点，再将周围具有相同性质的像素点合并至种子区域，直到没有相似性质的像素点聚集为止，对于区域生长法而言，普遍存在对图像阴影区域分割不理想的问题；模糊聚类的分割方法是对图像像素按其相似度进行分类，使得同类个体间的距离较小而不同类个体间的距离较大，对于聚类算法而言，通常仅考虑每个像素点的独立信息而忽略像素点之间的空间信息，最后导致算法受噪声影响较大且无法得到连续区域的分割结果；基于卷积神经网络(Convolutional Neural Network，CNN)的图像分割方法在对一个像素分类时，使用该像素周围的一个像素块作为CNN的输入用于训练和预测，然后不断地滑动窗口，每次滑动的窗口送给CNN进行判别分类，从而实现整个图像的分割。但基于CNN的脑肿瘤分割方法伴随着滑动窗口的增加会使计算机存储开销变大，而且相邻像素块基本上是重复的，针对每个像素块逐个计算卷积，在计算上有很大的重复性，最重要的是CNN的卷积滤波器伴随着非常大的感受野和最大池化层，会使得脑肿瘤的分割边界不清晰。

2015年，Jonathan Long等人将全卷积神经网络(Fully Convolution Network,FCN)成功应用于图像语义分割领域，并且取得了显著的效果。该网络能够对图像中对应位置的每个像素进行分类，从而实现图像分割的任务。FCN将传统CNN中的全连接层转换化成一个个的卷积层。在下图1中，传统的CNN结构前5层是卷积层，第6层和第7层分别是一个长度为4096的一维向量，第8层是长度为1000的一维向量，分别对应1000个类别的概率；而FCN将这3层都表示为卷积层，卷积核的大小(通道数，宽，高)分别为(4096,1,1)、(4096,1,1)和(1000,1,1),通过此类的卷积层，最后便生成了一个“特征向量图”。FCN中所有的层都是卷积层，没有全连接层，故而称为全卷积神经网络。

FCN深层次的网络获取到的特征图抽象而粗糙，这些特征图经过了大量的最大池化层，特征图中已经大大损失了目标物体的边缘、位置等信息；而浅层网络只经过了少数的最大池化层Pooling产生的特征图具体而精细，学习到的是一些局部区域的特征，这些特征图便可以反映目标物体的位置和边缘信息。所以为了对分割结果进行进一步的优化，可以将网络浅层的特征图与深层的特征图结合起来，这便是FCN网络的跳跃结构，以便提高整个图像的分割精度。

发明内容

为克服现有技术的不足，本发明旨在提出一种改进的全卷积神经网络，实现脑肿瘤核磁共振图像的机器分割，避免人工分割存在的低效率及不稳定的缺陷，提供快速、可靠的脑肿瘤分割结果，从而为脑肿瘤的诊断、治疗和手术引导提供准确的依据。为此，本发明采用的技术方案是，基于改进的全卷积神经网络脑肿瘤图像分割方法，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；