[发明专利]一种带注意力机制的级联空洞卷积网络脑肿瘤分割方法

说明书

本发明涉及一种带注意力机制的级联空洞卷积网络脑肿瘤分割方法，步骤如下：数据预处理；网络结构搭建，方法如下：建立带注意力机制的级联空洞卷积网络采用三级级联框架，将多类分割任务化简为三个二类分割任务，三级分割的网络分别为W‑Net、T‑Net以及E‑Net，分别用于分割脑肿瘤整体(WT)区域、肿瘤核(TC)区域以及增强肿瘤核(ET)区域；在每一级中分别从轴向、矢向和冠向三个方向进行分割，之后在三个方向的分割结果中求平均，得到较为准确的分割结果；在带注意力机制的级联空洞卷积的三级级联框架中每一级的网络结构均为编码‑解码的全卷积网络结构，分为编码器、解码器、跳层结构以及多层特征图融合四部分。

技术领域

本发明涉及图像处理领域，特别是用于三维医学脑肿瘤图像分割。

背景技术

脑肿瘤是一种致死率较高的颅内肿瘤，根据组织学的异质性和肿瘤的侵略性可将脑肿瘤划分为高胶质肿瘤(HGG)和低胶质肿瘤(LGG)，脑肿瘤可进一步划分为水肿区域、肿瘤核区域、增强肿瘤核区域、非增强肿瘤核以区域以及坏死区域。脑肿瘤核磁共振(MR)的四种模态图像：T1、T1ce、T2和FLAIR关注的肿瘤区域不同，可以为彼此提供补充信息。脑肿瘤分割是将脑图像中不同的肿瘤区域分割开，对患者疾病的评估、制定治疗方案和后续的观察研究至关重要。但是依靠医生手动分割费时费力，且经过长时间的手动标注容易出错，经验不同的医生分割的结果也会不同，所以需要一种自动且准确率高的脑肿瘤分割方法。

随着深度学习的发展，基于深度学习的脑肿瘤分割成为准确率最高的方法，基于深度学习的脑肿瘤分割方法比较常见的有FCN^[1]、U-Net^[2]和V-Net^[3]的结构，FCN将卷积神经网络的全连接层删去，可以得到与输入图像尺寸相同的分割图像，U-Net对FCN网络做出改进，采用了编码-解码的对称结构，V-Net将U-Net的卷积层、池化层及上采样层改为3D变量，同时加入残差连接解决网络退化问题，DeepLab^[4]系统在全卷积网络中加入空洞卷积，增加卷积核的感受野。Oktayetal^[5]提出将空间注意力加入3DU-Net结构用于图像分割，将解码器的特征图注意力用于编码器特征图路径上。

参考文献

[1]Shen H,Zhang J,Zheng W.Efficient symmetry-driven fullyconvolutional network for multimodal brain tumor segmentation[C]//2017 IEEEInternational Conference on Image Processing(ICIP).IEEE,2017:3864-3868.

[2]Ronneberger O,Fischer P,Brox T.U-Net:Convolutional Networks forBiomedi-cal Image Segmentation[J],2015,9351:234–241.

[3]Milletari,F.,Navab,N.,Ahmadi,S.A.,2016.V-net:Fully convolutionalneural networks for volumetric medical image segmentation,in:2016 FourthInternational Conference on 3D Vision(3DV),IEEE.pp.565–571.