[发明专利]一种基于SA-Net的MRI医学图像分割方法

说明书

本发明属于MRI医学图像处理领域，具体涉及一种基于SA‑Net的MRI医学图像分割方法，包括下列步骤：BraTS 2020数据采集：采集BraTS 2020提供的原生T1加权成像、对比度增强成像、T2加权成像和流体衰减成像数据集；数据标注：按照相同的注释协议对数据集进行手工注释；数据预处理：对MRI图像进行预处理；分割模型训练：利用U‑Net模型的变种对MRI医学图像进行分割；通过损失函数调整模型参数，获得最优模型，完成分割模型的搭建过程；当模型的损失函数不再降低之后，保存模型。本发明通过5折交叉验证对模型进行性能评估，可以充分利用全尺度信息进行MRI医学图像的分割。本发明用于MRI医学图像的分割。

技术领域

本发明属于MRI医学图像处理领域，具体涉及一种基于SA-Net的MRI医学图像分割方法。

背景技术

目前医学图像的自动分割通过提取定量成像生物标志物，用于准确的病灶部位检测，该方法是诊断、预后、治疗计划和评估的关键步骤，也是最具有挑战性的一步。多参数磁共振成像(mpMRI)作为治疗癌症的主要成像手段，可提供多种不同的组织特性。然而，正确解释mpMRI图像是一项具有挑战性的任务，不仅因为mpMRI序列产生了大量的三维或四维图像数据，而且还因为MRI医学图像的内在异质性。因此，计算机化分析的需求越来越大，通过计算机分析可以协助临床医生更好地解释mpMRI影像中的病灶部位。特别是在mpMRI图像定量分析中，自动分割病灶部分及其子区域是必不可少的步骤。

当前的MRI医学图像的病灶部位多数通U-Net及其变种用于精确的分割。但当编码路径中存在多个尺度特征映射时，现有的U-Net体系结构限制了同一尺度下的特征融合。研究表明，在不同尺度的医学图像中，低尺度的图像代表的是空间细节信息，而高尺度的图像中代表的是目标位置等语义信息，因此，在目前的U-Net体系结构中，基于尺度的特征融合不能充分利用全尺度信息。

发明内容

针对上述基于尺度的特征融合不能充分利用全尺度信息的技术问题，本发明提供了一种利用充分、效率高、可靠性强的基于SA-Net的MRI医学图像分割方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于SA-Net的MRI医学图像分割方法，包括下列步骤：

S1、BraTS 2020数据采集：采集BraTS 2020提供的原生T1加权成像、对比度增强成像、T2加权成像和流体衰减成像数据集；

S2、数据标注：按照相同的注释协议对数据集进行手工注释；

S3、数据预处理：对MRI图像进行预处理；

S4、分割模型训练：利用U-Net模型的变种对MRI医学图像进行分割；

S5、通过损失函数调整模型参数，获得最优模型，完成分割模型的搭建过程；

S6、当模型的损失函数不再降低之后，保存模型。

所述S3中数据预处理的方法为：包括下列步骤：

S3.1、将每个模态单独归一化，通过减去均值除以整个图像的标准差，其中μ为所有样本数据的均值，σ为所有样本数据的标准差；

S3.2、随机翻转输入量的左/右、上/下、前/后方向，以0.5的概率进行数据增强，或者随机选择一个因子来调整每个图像输入通道的对比度，获得不同对比度的MRI医学图像；

S3.3、在训练数据集之前把输入图像改为适合模型的相应尺寸；

S3.4、使用5折交叉验证来评估的模型在训练数据集上的性能，同时通过模型的训练调整模型的参数，找到使模型能达到最优的参数值。