[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

说明书

本发明提供一种基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法，包括以下步骤：深度级联卷积神经网络分割模型搭建；模型训练与参数优化；多模态MRI脑肿瘤的快速定位与瘤内分割。本发明提供的基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法，构建由全卷积神经网络和分类卷积神经网络组成的深度级联混合神经网络，把分割过程分为完整肿瘤区定位和瘤内子区分割两个阶段，实现层级化MRI脑肿瘤快速精确定位及瘤内子区分割，首先采用全卷积网络法从MRI图像中定位出完整肿瘤区域，然后采用图像块分类法将完整肿瘤进一步分割成水肿区、非增强肿瘤区、增强肿瘤区和坏死区，实现了多模态MRI脑肿瘤的精确定位与瘤内子区的快速精确分割。

技术领域

本发明涉及医学图像分析技术领域，具体涉及一种基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法。

背景技术

脑肿瘤是严重危害人类健康的重大疾病。其中，神经胶质瘤是恶性脑肿瘤主要类型，虽然不常见，但致死率非常高。据文献统计，高等级神经胶质瘤平均存活时间为14个月。磁共振成像(Magnetic Resonance Imaging，MRI)是临床上最常用的脑肿瘤检查与诊断手段，从MRI图像中精确分割出脑肿瘤及瘤内结构，对神经病理分析与精准诊断具有重要价值，其可为手术方案、放疗化疗计划制订及预后评估提供重要支持。

MRI脑肿瘤的分割需要同时参考T1、T1c、T2和FLAIR四种模态图像，每个模态又包含若干切片的三维体数据。人工分割虽然可行但非常耗时，且受医师经验影响，具有一定主观性，可重复性差。因此，探索人工智能算法进行MRI脑肿瘤全自动分割成为必然需求。

传统机器学习采用人工抽取特征，接着使用抽取特征来训练一个分类器，然后使用训练好的分类器对图像像素进行分类，从而产生分割图。但是，这种方法受特征抽取算法影响，抽取的特征并不一定是适合于某一特定分类任务的可鉴别特征。然而，基于卷积神经网络的深度学习技术，能从数据集中自动学习适合于特定任务的层级化特征，能大大提升像素分类精度。

本发明的发明人经过研究发现，当前基于深度学习的MRI脑肿瘤自动分割方法主要有两类：图像块分类法和全卷积网络像素级分类法。其中，图像块分类法采用滑动窗方式取以每一像素为中心的周围邻域块进行分类，存在以下不足：(1)计算冗余度高，分割速度慢；(2)分类只采用图像块局部特征，没有综合图像的全局特征，容易产生误分类点；(3)模型效果与训练图像块抽取方法直接相关。全卷积网络像素级分类法将整幅图像直接输入网络，一次前向计算可完成整副图像的各类型肿瘤区域分割，但是存在以下不足：(1)医学图像中病灶区尤其是瘤内子区通常只占图像的很小部分，各类别像素存在严重不平衡，整幅图像输入训练不能解决标签不平衡问题；(2)由于小区域样本不足导致训练不充分，因此图像分割边界粗糙，无法实现小区域的细粒度分割。

发明内容

针对现有MRI脑肿瘤分割中，图像块分类法没有利用全局上下文特征且分割速度慢，而全卷积网络像素级分类法训练样本严重不平衡导致小区域分割边界不精确问题，本发明提供一种基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法，该方法通过搭建深度级联混合卷积神经网络，把分割过程分为完整肿瘤区定位和瘤内子区分割两个阶段，实现多模态MRI脑肿瘤快速精确定位与瘤内子区分割。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法，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；