[发明专利]一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法

说明书

本发明涉及一种基于优化U‑net网络模型的MRI脑肿瘤图像分割方法，所述方法包括：101、对获取的多模态MRI脑肿瘤图像数据进行预处理；102、将经过预处理的多模态MRI脑肿瘤图像数据输入训练好的U‑net网络模型中；103、获取U‑net网络模型输出的多模态MRI脑肿瘤图像分割数据；其中，所述U‑net网络模型输出的多模态MRI脑肿瘤图像分割数据能够保留图像边缘信息，以生成完整的分割图像特征图。本发明提供的图像分割方法，不仅能够保留图像边缘信息，生成完整的特征图，而且还能够提高图像分割的准确率。

技术领域

本发明属于脑肿瘤图像分割技术领域，具体涉及一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法。

背景技术

脑部病灶局部分割对于脑肿瘤的医学诊断，手术规划和疾病发展预测至关重要。深度神经网络已被证明是在医学图像分割方面非常有前景的算法。深度学习算法无需手动指定目标特征，网络能够自己从逐渐加深的卷积层中学习数据特征，能够较好的从复杂的MRI图像脑肿瘤数据中提取特征。U-net网络在细胞结构图像分割中取得了良好效果，然而在使用细胞结构图像对U-net网络进行训练之后，测试数据进行测试之后发现边缘有部分区域的分割结果与金标准相差很大，直接影响了分割的准确率。本发明使用有Padding的卷积对U-net网络进行有效地改进，使用预处理方法生成的细胞结构图训练集预训练新的网络模型，再经过MRI脑肿瘤图像训练集进行微调，网络的收敛速度和分割准确率明显提高。

脑肿瘤作为常见神经系统疾病之一，并以其较高的发病率越来越受到人们的关注。据国内外数据显示，国内脑肿瘤的发病率约为1.34人/10万人，国外约为9-10人/10万人。超过50％的脑肿瘤为恶性肿瘤(其中胶质瘤占首位)。颅内肿瘤无论其性质是良性还是恶性，都会在颅内膨胀生长，占据太多的颅内空间，挤压其他颅内组织，使颅内压升高，对中枢神经造成伤害，严重时对患者生命造成威胁，对人类健康危害巨大。

在肿瘤的的诊断及治疗过程中，断层扫描技术(Computed Tomography，CT)与核磁共振成像(Magnetic Resonance Imaging，MRI)是目前在临床应用中使用最多医学成像技术。使用合理有效的影像获取手段如CT、MRI等来获得更多详尽准确的脑肿瘤病变脑组织与正常脑组织和发病部位的影像学信息为多变、无统一标准的脑肿瘤治疗方案提供客观的影像依据，能够快速有效地对医学影像进行分割，提取影像中的感兴趣特征，备受临床医师和医学影像辅助诊断技术开发者的关注，同时精确有效的分割出脑肿瘤感兴趣区域(Regionof Interest，ROI)，获取能够对诊断、治疗起到决定性作用的影像信息可以有效的帮助医师进行脑肿瘤诊断也是医学辅助诊断的关键环节。因此，脑肿瘤的精确分割具有巨大的临床应用价值。

在脑肿瘤治疗计划和定量评估的一个主要挑战是脑肿瘤病灶局部分割。从上世纪70年代到80年代开始，随着临床应用和科学研究的逐渐推进，许多研究人员对MRI脑肿瘤图像处理尤其是MRI脑图像分割倾注了大量的精力和汗水，不断改进和提出新的研究思想和分割算法，取得了满足应用和研究所需的分割效果。但是从总体来看，由于脑肿瘤结构和临床应用中采集到的脑肿瘤影像信息的复杂性，为了识别脑肿瘤及其周围的其他组织，需要获得多种模态下的图像进行相互比较进行MRI脑肿瘤图像及其周围其他组织的识别与分割。因此，每种算法都存在一定的局限性，不能完全适应于任何条件下的MRI脑肿瘤图像，导致MRI脑肿瘤图像分割和其他医学图像分割有很大的不同之处。

多年来，许多科学研究和临床应用试图使MRI脑肿瘤分割自动化。深度学习算法是多层次的表示学习方法，它能够让机器在原始数据的基础上自动提取表征数据的特征，对数据进行分类。深度神经网络已被证明是在医学图像分割方面非常有前景的算法，而且神经网络在脑肿瘤和病变分割中的应用逐渐增加。

应用U-net网络进行图像分割相比于传统分割算法有训练速度快、所需样本少，更具推广性的优点，其中U-net网络的结构图如图1所示。