[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

说明书

本发明提出了一种基于深度神经网络的MRI脑肿瘤图像自动优化方法，其创新在于：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；本发明的有益技术效果是：提出了一种基于深度神经网络的MRI脑肿瘤自动识别方法，该方法能够对原始图像中的特征进行有效利用，使肿瘤区域分割更加准确。

技术领域

本发明涉及一种核磁共振图像数据处理技术，尤其涉及一种基于深度神经网络的MRI脑肿瘤图像自动优化方法。

背景技术

从脑部核磁共振图像中精确分割出肿瘤区域，对治疗方案规划和病情发展分析意义重大；然而，由于脑肿瘤形态各异、大小不一，而且病变广泛弥漫，没有特征性，因此，脑肿瘤区域的自动精确分割一直以来都面临挑战。

随着近些年深度学习的迅猛发展，基于深度学习的分割方法逐渐被研究人员所关注，由于其具有自主学习的特点，成为当前脑肿瘤分割中普遍应用的方法；一些基于深度卷积神经网络的脑肿瘤分割方法已经被提出，在这些方法中，包括深度特征融合的方法、基于图像块的识别方法、基于语义的识别方法和基于级联结构的识别方法。为了在三维图像各层中获得更多的全局上下文特征，Havaei等人提出了基于图像块的两条路径和级联的CNN体系结构，能够同时获得图像的局部和全局纹理信息，但是各层之间的上下文特征没有考虑，也就是忽略了三维图像的空间信息。为了融入三维上下文特征，Kamnitsas K等人提出双通路、11层深的三维卷积神经网络，但是三维的卷积操作在时间复杂度和计算复杂度上都比较高，尤其在于三维图像块含有大量的冗余信息，而且图像块的中心像素也不能完全表示图像块的所有信息。由于基于图像块的方法只对有限的空间上下文特征进行了探索，包含许多冗余卷积计算。带有反卷积层的FCN和带有对称编码器译码器结构的SegNet能以任意大小的整幅图像作为输入，训练端到端和像素到像素的卷积神经网络，实现像素水平的预测，避免使用图像块。但是由于三维脑图像的数据量巨大和有限的GPU内存，无法直接通过FCN和SegNet等网络用于3D图像分割。

多任务学习是一种归纳迁移机制，利用额外的信息来源来提高当前任务的学习性能，包括提高泛化准确率、学习速度和已学习模型的可理解性。Chen H等人提出的DCAN的识别方法用于检测腺体并同时分离接触腺体，该方法是在FCN的基础上进行改进的，应用多任务学习的方法引入边界检测的路径，更加关注腺体的边缘，得到了较好的分割效果。与之类似，在脑肿瘤的分割中，由于肿瘤水肿区域边界弥散，是分割任务中的难点，肿瘤边界的精准分割在临床诊断也具有不言而喻的重要性，因为在分割过程中更多的关注肿瘤的边界能在一定程度上提高分割的准确度。Shen H等人提出的网络与DCAN类似，同样也是更多的关注边界，提出一种区域任务加边缘任务的网络，分为两条路径，一条用于边缘检测，另一条用于区域检测，通过联合训练在整个肿瘤（whole tumor）的分割中得到很好的分割效果。在这个思想的基础上，通过把每个肿瘤组织之间的边界作为不同的分割任务，作者又提出了树形分支结构的多任务FCN分割网络，在公开数据集BRATS13数据集和BRATS15数据集上都能得到很好的分割效果，尤其是在后一数据集上十分接近当下最好的分割结果。但是关注边界的方法在多条路径的网络中存在冗余，对于边界任务的路径来说，是将边界特征进行抽象化，但是其余的信息并没有利用到，所以存在信息的冗余，而对于区域任务网络也是如此。另外，在上采样的过程中，并没有充分利用原始图像的边界信息。在脑肿瘤的分割问题中，对于不同组织之间的分类问题以及边界的分类问题，其重要性是不一样的，所以多个任务的侧重点及其重要性也不同。在上述提出的多任务肿瘤分割网络中，都没有考虑到每项分割任务的重要性的差异，训练阶段也没有考虑各个任务之间的联系。

发明内容