[发明专利]一种基于深度神经网络的MRI脑肿瘤图像自动优化方法

权利要求书

1.一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其特征在于：所述MRI脑肿瘤图像自动优化方法包括：神经网络对脑部核磁共振图像进行处理后，输出新的脑部核磁共振图像，新的脑部核磁共振图像上标示有边界优化后的脑肿瘤区域；

所述神经网络包括四个卷积模块、四个反卷积模块、联合反卷积模块、第一融合模块和第二融合模块；

神经网络对脑部核磁共振图像进行处理时，初始图像数据通过第一卷积模块的输入端进入神经网络；第一卷积模块处理后，将处理结果分别输出至第一反卷积模块和第一融合模块；第一反卷积模块处理后，将处理结果输出至第二卷积模块；第二卷积模块处理后，将处理结果分别输出至第二反卷积模块和第一融合模块；第二反卷积模块处理后，将处理结果输出至第三卷积模块；第三卷积模块处理后，将处理结果分别输出至第三反卷积模块和第一融合模块；第三反卷积模块处理后，将处理结果输出至第四卷积模块；第四卷积模块处理后，将处理结果分别输出至第四反卷积模块和第一融合模块；第四反卷积模块处理后，将处理结果输出至第二融合模块；

第一融合模块能对四个卷积模块输出的数据进行特征融合，得到中间图像数据，然后将中间图像数据输出至联合反卷积模块；联合反卷积模块处理后，将处理结果输出至第二融合模块；第二融合模块能对第四反卷积模块和第一融合模块输出的数据进行特征融合，得到新的脑部核磁共振图像；

所述脑部核磁共振图像中的多个像素点分属于五类图像标签，这五类图像标签分别为：背景标签BG、水肿组织标签ED、增强组织标签EC、非增强组织标签NE、坏疽组织标签NC；

所述四个卷积模块的卷积层数相同，所述四个反卷积模块的反卷积层数相同；所述反卷积层数与卷积层数的数量相同；

第一卷积模块和第一反卷积模块的分割目标是将BG对应的像素点分割出来，第二卷积模块和第二反卷积模块的分割目标是将BG和ED各自对应的像素点分割出来，第三卷积模块和第三反卷积模块的分割目标是将BG、ED和NE各自对应的像素点分割出来，第四卷积模块和第四反卷积模块的分割目标是将BG、ED、NE、NC和EC各自对应的像素点全部分割开来；联合反卷积模块的分割目标是将BG、ED、NE、NC和EC各自对应的像素点全部分割开来。

2.根据权利要求1所述的一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其特征在于：所述神经网络投入使用前，先对神经网络进行训练；训练时采用的训练样本来自BRATS13数据集和BRATS15数据集中的图像数据。

3.根据权利要求1或2所述的一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其特征在于：对输入神经网络的脑部核磁共振图像数据预先进行归一化处理。

4.根据权利要求2所述的一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其特征在于：训练时，采用Softmax分类器对反卷积模块和联合反卷积模块的分割效果进行检测。