[发明专利]一种基于深度学习的MRI图像分割方法

权利要求书

1.一种基于深度学习的MRI图像分割方法，其特征在于包括以下步骤：

步骤1、获取相关领域的MRI前列腺原始图像数据集，并对获得的原始图像数据集进行清洗；

所述的MRI前列腺原始图像数据集包括图像以及图像对应的前列腺分割标签；

步骤2、利用图像增强技术对清洗后的图像数据集进行增强处理，增加样本的数量并丰富数据内容；

步骤3、利用形态学方法，对增强后的图像数据集中每张图像对应的前列腺分割标签进行腐蚀，然后用原标签减去腐蚀后的标签，从而获得图像对应的前列腺边缘的标签；

步骤4、将经过步骤4处理后的图像数据集进行随机划分，分成等量的5份数据集；

步骤5、搭建图像分割模型，在图像分割模型的编码网络中加入IBN模块，然后结合2D、3D卷积层，在下采样层中把maxpool层改成stride conv层；然后在编码网络中连接两个解码器，其中一个解码器用于输出整个前列腺的分割结果，另一个解码器用于输出前列腺边缘的分割结果；

步骤6、根据步骤4得到的5份数据集，对图像分割模型进行五折训练，并把每折训练得到的最优模型进行融合。

2.根据权利要求1所述的一种基于深度学习的MRI图像分割方法，其特征在于步骤2具体包括以下步骤：

步骤2.1、数据形态增强：对清洗后的原始图像数据集及其标注，进行水平镜像的翻转；

步骤2.2、数据空间域增强：在设定程度范围内随机改变亮度对比度以及gamma值，在保证图像物理意义的同时，扩增图像数据数量；

步骤2.3、对图像数据进行随机裁剪，即利用图像数据集中图像的前列腺分割标签获取前列腺的中心；然后让裁剪的中心在前列腺中心随机抖动一定范围进行64*176*176的图像裁剪。

3.根据权利要求2所述的一种基于深度学习的MRI图像分割方法，其特征在于步骤5具体包括以下步骤：

步骤5.1、图像分割模型的编码网络，该图像分割模型在U-Net模型的基础上加入IBN模块；然后把U-Net模型中的原下采样阶段的maxpool层改成stride conv层，有利于模型保留图像的细节信息，对于提升分割结果的精细程度有很好的效果；

步骤5.2、解码阶段：采用双解码器结构，其中一个解码器用于输出整个前列腺的分割结果，另一个解码器用于输出前列腺边缘的分割结果，以帮助网络加强分割边缘的学习。