[发明专利]一种基于深度学习的医学图像分割方法及系统

权利要求书

1.一种基于深度学习的医学图像分割方法，其特征在于，包括：

获取历史磁共振成像MRI模态图像；所述历史磁共振成像MRI模态图像包括高等级肿瘤病人的MRI模态图像以及低等级肿瘤病人的MRI模态图像；

将所述历史磁共振成像MRI模态图像划分为训练集和测试集；

在下采样过程中，将所述训练集内的任一张所述历史磁共振成像MRI模态图像中的两层相邻的不同分辨率的特征层输入到多层次特征重提取和聚合的神经网络模型中，确定分割后的MRI模态图像；所述在下采样过程中，将所述训练集内的任一张所述历史磁共振成像MRI模态图像中的两层相邻的不同分辨率的特征层输入到多层次特征重提取和聚合的神经网络模型中，确定分割后的MRI模态图像，具体包括：获取上采样过程中的特征层；利用残差卷积单元对低分辨率的特征层重提取，将低分辨率的特征层的分辨率增加到高分辨率的特征层的分辨率，确定重提取的低分辨率的特征层；将所述重提取的低分辨率的特征层以及所述高分辨率的特征层输入到分辨率融合单元；利用所述分辨率融合单元融合所述重提取的低分辨率的特征层以及所述高分辨率的特征层，确定融合后的特征层；将所述融合后的特征层输入到聚合单元；利用所述聚合单元聚合所述融合后的特征层与所述上采样过程中的特征层，确定分割后的MRI模态图像；所述上采样过程中的特征层与所述融合后的特征层尺寸相同；所述上采样过程与所述下采样过程通过分割网络相连接；两层相邻的不同分辨率的特征层包括低分辨率的特征层和高分辨率的特征层；所述多层次特征重提取和聚合的神经网络模型为二输入、一输出的神经网络模型；所述多层次特征重提取和聚合的神经网络模型包括残差卷积单元、分辨率融合单元以及聚合单元；所述两层相邻的不同分辨率的特征层依次经过所述残差卷积单元、所述分辨率融合单元以及所述聚合单元，确定分割后的MRI模态图像。

2.根据权利要求1所述的基于深度学习的医学图像分割方法，其特征在于，所述在下采样过程中，将所述训练集内的任一张所述历史磁共振成像MRI模态图像中的两层相邻的不同分辨率的特征层输入到多层次特征重提取和聚合的神经网络模型中，确定分割后的MRI模态图像之后，还包括：

获取所述历史磁共振成像MRI模态图像对应的真值图像；

将所述分割后的MRI模态图像以及所述训练集内的任一张所述历史磁共振成像MRI模态图像对应的所述真值图像进行对比，通过交叉熵损失函数计算损失，并利用梯度下降算法继续训练所述多层次特征重提取和聚合的神经网络模型。

3.根据权利要求2所述的基于深度学习的医学图像分割方法，其特征在于，所述将所述分割后的MRI模态图像以及所述训练集内的任一张所述历史磁共振成像MRI模态图像对应的所述真值图像进行对比，通过交叉熵损失函数计算损失，并利用梯度下降算法继续训练所述多层次特征重提取和聚合的神经网络模型之后，还包括：

将所述测试集内的任一张所述历史磁共振成像MRI模态图像中的两层相邻的不同分辨率的特征层输入到多层次特征重提取和聚合的神经网络模型中，确定测试集分割后的MRI模态图像；

将所述测试集分割后的MRI模态图像以及所述测试集内的任一张所述历史磁共振成像MRI模态图像对应的所述真值图像进行对比，确定集合相似度度量函数dice系数；

若所述dice系数在dice系数阈值范围内，确定所述多层次特征重提取和聚合的神经网络模型训练完毕。