[发明专利]基于U-Net架构的深度残差网络的脑肿瘤分割方法

权利要求书

1.一种基于U-Net架构的深度残差网络的脑肿瘤分割方法，其特征在于，包括以下步骤：

S1：构建深度残差网络的组合卷积块；具体可细分为以下几步：

S11：将块的输入分成两个分支，为叙述方便我们称其为：分支A1和分支A2，对分支A1进行1×1卷积，以获取特征图数与分支A2经过处理后得到的特征图数相同，便于完成加融合，即：两组图像对应元素相加，以便维持梯度的大小，提高网络的深度；

S12：分支A2先进行批量归一化，对神经网络中某一层的每一批输入值进行归一化，

S13：对归一化层输出的特征图进行3×3核卷积,并使用ReLU作为激活函数；卷积运算：对特征图中的每一个像素，计算以该像素为中心，与卷积核大小一致的局部窗口内的像素和卷积核的内积，将其作为该像素的新值；以此方法遍历图像中的每一个像素，就完成了一次滤波，获得一个与原图像尺寸一样的新特征图；卷积核是一个3×3的小矩阵，计算过程用公式可以表示如下：

其中，(m,n)是对应卷积核的中心像素坐标，m＝1,2,3,…height，n＝1,2,3,…width，在此height，width分别是图像的高和宽；t，f，g分别是新图像，原图像和卷积核矩阵；

在此，使用ReLU作为激活函数，引入非线性因素；

S14：将上一步的输出分成两个分支，在此称为分支A3和分支A4；首先，将A1经1×1卷积核的卷积输出与A3进行加融合，即：对它们对应的像素值进行加运算；其次，将经加融合后的输出再进行归一化，然后再将其输出进行3×3卷积核的卷积，并用ReLU激活函数，引入非线性因素；

S15：将第S14：步的输出与分支A4进行加融合；得到深度残差网络的组合卷积块；

S2：构建实施三分支结构模型的分支结构网络；具体为以下子步骤：

S21：输入四模态脑肿瘤图，沿两个分支传递，分别是分支B1与分支B2；对于分支B2采用32个3×3卷积核进行卷积运算，获取新的特征图，并使用ReLU激活函数；具体做法与S1中的步聚S13相同；对其输出再进行批归一化，具体做法与S1中的步聚S12相同；再进行32个3×3卷积核的卷积运算，将其结果与分支B1经过归一化和32个1×1卷积核的卷积运算结果进行加融合；将其输出分为两个通路，一个是B3，一个是B4；

S22：在此对B4进行最大池化，运用池化将信息合并减少冗余信息；

S23：步骤S22的输出进入分支B5和B6；B6经64核的组合残差块处理输出的特征图与B5用64个1×1卷积核的卷积运算结果进行加融合；

S24：上步加融合的输出进入分支B7和B8；对B8进行最大池化，其输出再经两个分支，B9和B10；B10经128核的组合残差块处理输出的特征图与B9用128个1×1卷积核的卷积运算结果进行加融合；

S25：步骤S24中的加融合的输出进入分支B11和B12；对B12进行最大池化，其输出再经两个分支，B13和B14；B14经256核的组合残差块处理输出的特征图与B13用256个1×1卷积核的卷积运算结果进行加融合；

S26：步骤S25中的加融合的输出进入分支B15和B16；对B16进行最大池化，其输出再经512核的组合残差块处理，输出的特征图再经256核的逆卷积；由于脑肿瘤分割需要做原始图片尺寸空间的预测，池化降低了图片大小，因而需要通过上采样的方法将特征图还原到原始图像尺寸，逆卷积充当的就是此角色；逆卷积相对于卷积在神经网络结构的正向和反向传播中做相反的运算；

S27：步骤S26的结果与原分支B15的特征图进行连接运算，即：把特征图堆到一起；

S28：步骤S27的结果再进行256核的组合残差块处理，输出的特征图再经128核的逆卷积；

S29步骤S28的结果与原分支B11的特征图进行连接运算；将其结果再进行128核的组合残差块处理，输出的特征图再经64核的逆卷积；

S210：步骤S29结果与原分支B7的特征图进行连接运算；将其结果再进行64核的组合残差块处理，输出的特征图再经32核的逆卷积；

S211：步骤S210的结果与原分支B3的特征图进行连接运算；将其结果再进行32核的组合残差块处理，输出的特征图再经1核的卷积，并使用Sigmoid激活函数；Sigmoid是常用的非线性的激活函数，它的数学形式如下：

它能够把输入的连续实值“压缩”到0和1之间；到此就可以得到二值分割结果；

S3：组合形成三分支结构模型的整体网络；具体可细分为以下几步：

S31：对分割后的大脑图像进行预处理对每个序列的强度进行归一化；裁剪图像，去除脑区域周围的背景区域；丢弃不包含病变的部分；将每个模态的切片相应组合为多个通道，最后保存为numpy，并将其相应类别的切片直接保存为numpy；

S32：由三个S2步形成的残差网络分别作为三个分支，分别用于区分肿瘤的ET，WT和TC；它将复杂的三类分割方法分解为三个简单的二类分割；最后，将三个二类分割结果融合在一起；

S33：融合采用的规则是，如果像素的WT，TC和ET的预测值均为1，则我们认为它属于ET；如果像素的WT和TC的预测值均为1，而ET的预测值为0，则我们认为它属于TC；如果像素的ET和TC的预测值均为0，而WT的预测值为1，则认为它属于WT；这样我们就可以获得一个脑肿瘤三类分割图像。