[发明专利]基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法

权利要求书

1.基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法，其特征在于，包括以下步骤：

S1、深度级联卷积神经网络分割模型搭建：

S11、深度级联卷积神经网络由肿瘤定位网和瘤内分类网组成，所述肿瘤定位网适于输入FLAIR、T1、T1c和T2四模态MRI图像，输出肿瘤候选区和正常组织的二值图，所述瘤内分类网适于输入肿瘤定位网输出的肿瘤候选区，输出瘤内子区分割结果；

S12、所述肿瘤定位网由全卷积网络组成，包括第一至第五共五个卷积层组、第一至第五共五个池化层、卷积层六和卷积层七，所述第一池化层位于第一卷积层组后，所述第二池化层位于第二卷积层组后，依次类推，所述第五池化层位于第五卷积层组后，所述卷积层六和卷积层七顺序设于第五池化层后；

S13、所述肿瘤定位网中采用跳跃连接，将卷积层七输出的高级语义特征进行2倍上采样后与各池化后的低级细节特征逐层融合，用最终融合特征对像素类别进行精确预测，具体包括：将卷积层七的结果进行2倍上采样后与第四池化层进行相加融合得融合层1，再将融合层1进行2倍上采样后与第三池化层相加融合得融合层2，再将融合层2进行2倍上采样后与第二池化层相加融合得融合层3，再将融合层3进行2倍上采样后与第一池化层相加融合得融合层4，最后将融合层4进行2倍上采样后得到与原始图像大小相同的特征图；利用此特征图对像素进行肿瘤和正常组织2分类，产生2张像素类别预测分值图，取预测值高的类别作为像素最终类别；

S14、所述瘤内分类网由两个卷积层组、两个池化层、三个全连接层和一个Softmax分类层组成，其中，每个卷积层组后跟随一个池化层，所述三个全连接层和一个Softmax分类层顺序设于最后一个池化层后；

S2、模型训练与参数优化：使用扩充后的标注数据对深度级联卷积神经网络分割模型进行有监督训练，设计目标函数优化网络参数，产生最优分割模型，其具体包括：

S21、将标准化并扩充后的整幅图像数据集按8：1：1的比例分为训练集、验证集和测试集，将同一大脑切面的FLAIR、T1、T1c和T2四模态整幅图像作为肿瘤定位网的四通道输入；

S22、采用分类交叉熵损失函数作为优化目标，其目标函数定义如下：

其中，Y'是分割标签，Y是预测的概率，C为像素类别数，S是图像像素的个数；

S23、采用随机梯度下降算法优化目标函数，运用误差反向传播算法更新肿瘤定位网模型参数；

S24、将抽取的MRI图像块数据集按8：1：1的比例分为训练集、验证集和测试集，将同一大脑切面的FLAIR、T1、T1c和T2四模态图像块作为瘤内分类网的四通道输入；

S25、采用步骤S22中的分类交叉熵损失函数作为优化目标，但C表示肿瘤分类类别数，S表示批次中图像块样本数；

S26、采用步骤S23中的随机梯度下降算法优化目标函数，运用误差反向传播算法更新瘤内分类网模型参数，且本步骤在进行瘤内分类网训练时，三个全连接层中的第一全连接层和第二全连接层使用了Dropout正则化方法，其Dropout率设为0.50；

S3、多模态MRI脑肿瘤的快速定位与瘤内分割，其包括：

S31、将预处理标准化后的四模态MRI图像作为四通道输入步骤S2已训练和优化后的肿瘤定位网，自动定位并输出包括肿瘤区和非肿瘤区的二值分割图；

S32、取以肿瘤区像素为中心的四模态图像块输入步骤S2已训练和优化后的瘤内分类网，预测该像素的类别，并采用滑动窗方式，对肿瘤像素逐个预测，最后得到瘤内子区分割图；

S33、将瘤内子区分割图叠加到原始MRI图像上，得到最终MRI脑肿瘤定位与分割图。