[发明专利]一种基于V-Net的多模态脑肿瘤图像精细分割的方法在审
| 申请号： | 201910185867.1 | 申请日： | 2019-03-12 |
| 公开（公告）号： | CN110047080A | 公开（公告）日： | 2019-07-23 |
| 发明（设计）人： | 吕卫;赵薇;褚晶辉 | 申请（专利权）人： | 天津大学 |
| 主分类号： | G06T7/11 | 分类号： | G06T7/11;G06T7/174 |
| 代理公司： | 天津市北洋有限责任专利代理事务所 12201 | 代理人： | 李林娟 |
| 地址： | 300072*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 多模态 分割 分割结果 肿瘤图像 肿瘤 构建 网络 核图像 脑肿瘤 精细 核磁共振图像 图像 肿瘤分割 三阶段 准确率 级联 模态 相加 改良 | ||
1.一种基于V-Net的多模态脑肿瘤图像精细分割的方法，其特征在于，所述方法包括以下步骤：
构建用于整个肿瘤图像分割的多模态2D网络；构建用于肿瘤核图像分割的多模态3D网络；构建用于增强肿瘤图像分割的另一多模态3D网络；
根据所述多模态2D网络、以及两种多模态3D网络对输入的3D核磁共振图像进行分割，将整个肿瘤图像分割结果、肿瘤核图像分割结果、以及增强肿瘤图像分割结果相加得到最终的肿瘤分割结果。
2.根据权利要求1所述的一种基于V-Net的多模态脑肿瘤图像精细分割的方法，其特征在于，所述多模态2D网络包括：
三个二维的V-Net结构，每个结构依次对应于3D核磁共振图像的轴向、矢向、以及冠向的视图；
二维的V-Net结构的输出有2个通道，分别代表整个肿瘤的分割结果图和背景的分割结果图。
3.根据权利要求1所述的一种基于V-Net的多模态脑肿瘤图像精细分割的方法，其特征在于，所述用于肿瘤核图像分割的多模态3D网络具体为：
整个肿瘤图像的分割结果用作附加输入，连同四种模态的MRI图像序列输入到核磁共振图像通道，以产生5通道级联输入；
多模态3D网络的输出是3通道张量，每个通道分别为第一背景的分割结果图，肿瘤核TC的分割结果图以及水肿的分割结果图。
4.根据权利要求1或4所述的一种基于V-Net的多模态脑肿瘤图像精细分割的方法，其特征在于，所述方法还包括：构建联合Dice损失函数，用于修正肿瘤核图像的边界。
5.根据权利要求4所述的一种基于V-Net的多模态脑肿瘤图像精细分割的方法，其特征在于，所述联合Dice损失函数具体为：
D＝DTC+α·DED
其中，α是可调系数，DTC是肿瘤核区域的Dice系数，DED是水肿区域的Dice系数。
6.根据权利要求1所述的一种基于V-Net的多模态脑肿瘤图像精细分割的方法，其特征在于，所述用于增强肿瘤图像分割的另一多模态3D网络具体为：
3D核磁共振图像以及肿瘤核图的分割结果图作为附加输入，输出是与输入相同大小的3通道图像块；
输出通道分别指第二背景的分割结果图，坏死/非增强肿瘤的分割结果图、增强肿瘤的分割结果图。
7.根据权利要求1所述的一种基于V-Net的多模态脑肿瘤图像精细分割的方法，其特征在于，所述方法还包括：构建另一联合Dice损失函数，用于修正增强肿瘤区域的边界。
8.根据权利要求7所述的一种基于V-Net的多模态脑肿瘤图像精细分割的方法，其特征在于，所述另一联合Dice损失函数具体为：
D＝DET+α·DNC
其中，α是可调系数，DET是增强肿瘤区域的Dice系数，DNC是坏死/非增强肿瘤区域的Dice系数。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于天津大学，未经天津大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910185867.1/1.html，转载请声明来源钻瓜专利网。
