[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

说明书

本发明公开了一种基于U‑Net架构的深度残差网络的脑肿瘤分割方法，包括以下步骤：S1：构建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。S3：组合形成三分支结构模型的整体网络。本发明的优点是：可以更有效地防止网络性能下降，可以更好地提高网络性能。另外，对每个模态图像数据进行标准化，裁剪和去除无病灶图像数据，最后将其合并为多通道数据。因此，实验结果表明该算法具有先进的性能。大大提高肿瘤分割效果。

技术领域

本发明涉及医学图像分割和深度学习技术领域，特别涉及一种基于U-Net架构的深度残差网络的脑肿瘤分割方法。

背景技术

大脑磁共振图像(MRI)的定量分析已成为许多神经系统疾病的常规检查方法，并且是结构性大脑分析的首选方法，因为此类图像对软组织具有高对比度和高空间分辨率，没有已知的健康风险。MRI的基本原理是，人体中的每个氢质子都可以看作是一块小磁铁，磁场中的氢原子核所产生的信号由计算机处理以重建图像。MRI信号可以准确显示中枢神经系统的解剖结构、肿瘤和其他病变的位置、区域的大小以及与其他周围组织的相对位置关系。在MRI中，正常组织主要是脑脊液，灰质和白质。患病的组织主要包括水肿，肿瘤以及肿瘤内部的囊性和坏死性部分。由于MRI的成像参数取决于所检查组织的化学环境因素，因此MRI不仅可以提供有关人体解剖结构和病理变化的信息，而且还可以提供有关器官功能和分子水平的诊断信息。对于中枢神经系统，MRI已成为临床诊断颅内肿瘤的主要方法。随着3D和4D成像变得越来越普遍，并且随着生理成像的增加，医学图像数据集的大小和复杂性也在不断增加。因此，有必要开发工具以从这些大数据集中提取辅助诊断信息。从这个角度出发，MRI是当前医学影像研究领域的重点。脑部MRI的定量分析已广泛用于表征精神分裂症，癫痫症，脑外伤，脑血管疾病，癌症和变性疾病等脑部疾病。为了量化病变组织，需要对脑组织进行分割和相应的测量。此外，脑组织分割也是区分脑区域和结构的重要前提。

脑肿瘤分割的精准度更是医生诊断患者病症信息的关键。脑肿瘤结构复杂、形状多变、灰度不均匀以及在不同的患者身上表现出相当大的差异性。人工分割MRI脑肿瘤图像耗时耗力,并且常常会受到主观差异的影响,而精确分割三维脑肿瘤MR图像对于脑肿瘤的诊断，治疗以及术后追踪都有着非常重要的意义。

文献[3]中提出的分割算法主要考虑减少网络的权数，防止过度拟合，并设计更深的体系结构以探索3×3小核的使用，采用泄漏整流线性单元(LReLU)作为激活函数。然后，在图像数据的预处理过程中研究强度归一化，在一定程度上改善了分割结果。文献[1]在U-net的基础上进行了改进，通过广义Dice损失函数(GDLF)和加权交叉熵函数(WCEF)的组合来构建损失函数，以解决脑肿瘤中类别失衡的问题。这两种方法和标准的U-net方法都没有充分考虑残差学习在深度学习网络中的重要作用。

参考文献

[1]Kermi A.,Mahmoudi I.,Khadir M.T.Deep Convolutional Neural NetworksUsing U-Net for Automatic Brain Tumor Segmentation in Multimodal MRIVolumes.BrainLes 2018.Lecture Notes in Computer Science,vol 11384.pp.37–48,2019.Springer,Cham；

[2]K.He,X.Zhang,S.Ren,and J.Sun.,Deep residual learning for imagerecognition.in Proc.CVPR,Jun.2016,pp.770–778；