[发明专利]一种基于深度学习的医学图像分割方法及系统

说明书

本发明公开了一种基于深度学习的医学图像分割方法及系统。所述分割方法包括：获取历史磁共振成像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；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；两层相邻的不同分辨率的特征层依次经过残差卷积单元、分辨率融合单元以及聚合单元，确定分割后的MRI模态图像。采用本发明所提供的分割方法及系统能够提高图像分割准确率。

技术领域

本发明涉及医学图像分割领域，特别是涉及一种基于深度学习的医学图像分割方法及系统。

背景技术

脑肿瘤分割是医学图像理解的重要组成部分，也是一项关键技术，是决定脑肿瘤图像在临床诊疗和病理学研究中能否提供可靠性依据的关键问题。和自然图像分割不同，人体器官组织很复杂，特别是作为人体最复杂的器官，脑，有着精密的纹理，成像后的图片也因人而异具有各种不同特征，所以脑图像一般具有较高的复杂性且缺少简单的线性特征，此外分割结果的准确率还受到部分容积效应、灰度不均匀性、伪影、不同软组织间灰度的接近性等因素的影响，导致脑肿瘤图像分割任务的难度很高。

医学图像中，尤其是脑肿瘤图像，磁共振成像(Magnetic Resonance Imaging，MRI)模态图像通常是临床分析脑结构的最佳选择，在计算机辅助诊断和医疗领域也得到了成功的应用；MRI有四种模态，四种不同的模态通常被用于脑肿瘤手术：纵向驰豫时间T1，纵向驰豫时间T1中的一种纵向驰豫时间T1C，横向驰豫时间T2和液体反转恢复序列FLAIR(如图1所示，其中A代表Flair，B代表T1，C代表T1C，D代表T2，E代表真值)。每种形态对不同的肿瘤组织都有不同的反应。MRI对脑肿瘤的分割在放射外科及放射治疗规划中具有重要价值。

传统的图像处理技术主要包括特征提取和分类器两部分，特征提取算法的设计复杂性与应用局限性、稳定性，以及特定的特征提取算法与特定的分类器相结合的多样性限制着图像处理技术的发展。神经网络的出现，使端到端的图像处理成为可能，当网络的隐藏层发展到多层时便称之为深度学习，但同时需要用逐层初始化技术解决深层次网络训练难度大的问题，之后深度学习便成为时代的主角。而卷积神经网络(Convolutional NeuralNetwork，CNN)便是深度学习与图像处理技术相结合所产生的经典模型，实现该模型的网络实例在特定的图像问题处理上都卓有成效。

传统的CNN网络是一个直接的卷积过程，不能有效地将许多底层特征传播到高层。在最流行的语义分割模型(如FCNs，ResNets)中，采用上采样方法，通过“跳过连接”将从下采样层采集到的低级视觉特征信息，与在上采样过程中，通过转置卷积得到的相同维度和通道数高级语义进行连接。在这些融合特征的基础上，将产生新的高级语义特征。但是，随着网络层数量的增加，在多次“跳过连接(skip connection)”后，底层特性传递到输出层的难度越来越大。在上行采样过程中，传统的端到端图像分割方法只是将底层特征直接连接到高层特征，而不考虑融合方式。换句话说，大多数方法忽略了在图像识别中对整个层次特征的充分利用，图像识别精度低，导致图像分割准确率低。

发明内容

本发明的目的是提供一种基于深度学习的医学图像分割方法及系统，以解决图像分割准确率低的问题。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的医学图像分割方法，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；