[发明专利]一种基于U-Net网络的脑肿瘤分割网络及分割方法

说明书

本发明公开了一种基于U‑Net网络的脑肿瘤分割网络及分割方法，分割网络的收缩路径末尾连接有空间金字塔池化结构，分割网络的网络跳跃连接部分引入不同尺度的空洞卷积，并且采用Add操作与原始输入形成一个带有空洞卷积的残差块，扩大收缩路径中的浅层特征信息的感受野，然后与对应阶段的扩张路径融合，分割方法先对训练数据集进行裁剪预处理，然后构建基于U‑Net网络的脑肿瘤分割网络DCU‑Net，然后将预处理后的二维图像输入到分割模型中进行特征学习和优化，获取分割模型的最优参数模型，最后将待分割的测试数据集图像输入分割模型中进行肿瘤区域分割；本发明能够有效解决脑肿瘤分割中的过分割与欠分割问题，提高脑肿瘤分割精度。

技术领域

本发明涉及神经网络及空洞卷积技术领域，尤其涉及一种基于U-Net网络的脑肿瘤分 割网络及分割方法。

背景技术

胶质瘤是脑内最常见的原发性肿瘤之一，它们生长于胶质瘤细胞，可分为低级别胶质 瘤和高级别胶质瘤。高级别胶质瘤(HGG)对患者更具侵袭性，其预期寿命至多为两年，低级别胶质瘤(LGG)为良性或恶性，在患者体内生长较慢，预期寿命为几年。良性肿瘤 在通过手术治疗后一般能够恢复健康，恶性肿瘤则因其顽固性难以治愈，严重危害到人类 生命健康，因此如何对恶性肿瘤进行更好地诊断和治疗至关重要。

随着医学影像技术的发展，影像诊断在疾病诊断中发挥的作用越来越重要。医学影像 技术主要包括X线检查、计算机断层成像(CT)、超声(Ultrasound)和磁共振成像(MRI)等。 其中，MRI具有如下优点：(1)具有的清晰度和组织分辨率高，能够提供多种信息诊断能力，通过设置不同参数实现多个解剖部位断层成像；(2)具有非侵入性，能在患者不接受 高电离辐射的情况下提供详尽的图像形状、大小及位置等信息；(3)具有良好的软组织对 比度。因此，MRI影像在脑肿瘤的诊断、治疗和手术引导中越来越受到人们的关注。其中， 脑肿瘤分割技术在目前的诊断和治疗上效果显著，通过对脑肿瘤的分割，医生可以对脑肿 瘤的位置、大小等参数进行测量，确定肿瘤的生长状态和变化过程，还可以对脑肿瘤进行 定量分析和跟踪比较。

目前，脑肿瘤的提取一般由医生或专家根据现有的医学知识、医疗条件和临床知识进 行人工分割，这种方法耗时费力，且具有很强的主观性，分割结果因人而异。随着大规模 标记数据的出现和计算机的发展，利用深度学习算法来实现脑肿瘤的自动分割已经成为当 前研究的热点。其中，2015年，Olaf Ronneberger基于全卷积网络(FullyConvolutional Networks，FCN)模型提出了针对医学图像分割的U-Net模型。U-Net网络与FCN都拥有经典 的编码-解码拓扑结构，但是U-Net拥有对称的网络结构和跳跃连接，并且在脑肿瘤图像的 分割上U-Net的结果比FCN更加优秀。

针对脑肿瘤图像分割精度难以提升的问题，研究者在U-Net基础上进行的改进研究大致 可分为两类：基于2D U-Net构架的改进研究和基于3D U-Net构架的改进研究。

(一)基于2D U-Net构架的研究主要包括三类：

a).第一类是针对多特征尺度连接的改进。2018年，Xiao Xiao等人提出Res-Unet结构， 并用于视网膜图像的分割，Steven Guan等人将U-Net的各个子模块替换为密集连接模块， 提出Fully Dense UNet用于去除图像中的伪影，并取得了良好的效果；2019年，Nabil Ibtehaz在U-Net基础上开发了一种新颖的架构MultiRes-Unet，增加残差连接的扩展，并 提出一个残差路径(ResPath)，在ISIC、BraTS等多个数据集上验证了其良好的分割性能。