[发明专利]基于深度神经网络的GBM多模态磁共振图像分割方法

说明书

本发明提出了一种基于深度神经网络的GBM多模态磁共振图像分割方法，包括以下步骤：首先分别对所收集GBM多模态磁共振图像的每个切片图像进行预处理后，将所有切片图像分成训练样本和测试样本，并对训练样本中的切片图像进行标注；其次提取训练样本图像块并标准化均值和方差，扩增数据后形成一个训练数据集；之后构建一个深度神经网络，利用训练数据集训练深度神经网络，得到深度神经网络分割模型；最后预处理待分割切片图像并提取其图像块，并利用深度神经网络分割模型对其体素进行分类和后处理，实现GBM多模态磁共振图像的分割；本发明可满足自动诊断、手术规划和预后预测等对非正常脑组织和周围正常结构的检测和定位精度高的需求。

技术领域

本发明涉及数字医学影像处理与分析和计算机辅助诊断领域，尤其是一种基于深度神经网络的GBM多模态磁共振图像分割方法。

背景技术

脑胶质瘤是最常见的原发性脑肿瘤，主要发生于成年人，特别是老年人，具有复发率高、病死率高及治愈率低的三大特点。相关资料统计表明，一半以上的脑胶质瘤患者为恶性度最高的GBM(Glioblastoma Multiforme，多形性成胶质细胞瘤)。GBM患者即使采用了最为积极的治疗手段，中位生存期仍然少于15个月，而5年以上的存活率不足5％。GBM在多模态磁共振图像中呈现出一片异质的肿瘤区域。这片区域通常包括4个部分：坏死区、水肿区、非增强肿瘤区和增强肿瘤区。由于GBM在组织形态上的复杂性与特殊性，单模态磁共振图像无法清晰的反映GBM的不同组织结构。相比之下，多模态磁共振图像中含有丰富的组织结构信息，被广泛应用于GBM的诊断和治疗。

GBM多模态磁共振图像的精确分割对于诊断、手术规划、术后分析以及化疗/放疗计划至关重要，目前国内外有很多研究人员提出了各种各样的GBM多模态磁共振图像的分割方法，主要分为基于像素或者体素的分割算法和基于图形分割的算法等。基于像素或者体素分割算法的基本思想是根据每个像素在多模态图像上亮度信息、纹理信息等把该像素点分类到相应的类别中。分类的算法包括无监督的聚类和有监督的学习。例如，基于模糊C均值聚类算法(Fuzzy C-Means,FCM)的模糊均值聚类的算法，以多模态磁共振图像的灰度作为特征向量，利用FCM对所有体素点进行聚类得到初始的分类，根据对称性，灰度分布等先验知识对初始分类进行优化，得到最终的分割结果。由于FCM聚类时，没有考虑空间邻域信息，并且GBM组织的灰度分布会产生重叠，因此容易产生误分割。基于图形分割算法用图的顶点来描述图像的像素，用图的边描述2个像素的相似性，由此形成一个网络图，通过解决能量最小化问题把图分割成子网络图，使不同子网络图之间的差异和同一子网络图内部的相似性达到最大。这类算法通常需要解决一个求解广义特征向量问题，当图像比较大时，这类算法会遭遇计算复杂度大的问题。除了以上两类算法，基于Levelset(水平集)的分割算法也广泛应用于GBM多模态磁共振图像分割，但是由于GBM组织灰度不均匀，并且GBM组织之间经常没有明显的边界，采用这类算法容易出现边缘泄露的问题。

近来，深度学习理论引起了很大关注，在语音识别、图像目标分类与检测等很多领域已经取得了广泛的应用，尤其是深度卷积神经网络具有非常强的自主学习能力和高度的非线性映射，这为设计对鲁棒性和精度要求高的分割模型提供了可能。

专利号为201710379095.6的发明专利《一种基于全卷积网络的MRI图像脑肿瘤自动分割方法》，包括脑肿瘤多模态MRI图像预处理、全卷积网络模型构造、网络训练与参数调优和脑肿瘤图像自动分割。

该发明专利具有以下特点：

1、采用了15层的网络，且全卷积网络含有全连接层和反卷积层，并不是真正意义上的全卷积深度神经网络；

2、采用了按语义训练的卷积神经网络架构，对输入的整张图像的每个像素进行预测，包括编码部分(提取特征)和解码部分(降采样或去卷积从编码器得到的高维特征)和组合从编码部分得到的高维特征来分类像素；

3、采用了迁移学习算法进行训练，将利用ImageNet图像集训练好的VGG16模型的中间特征层作为该发明专利所述模型的基础特征层。