[发明专利]一种基于级联深度神经网络模型的脑胶质瘤分割方法

权利要求书

1.一种基于级联深度神经网络模型的脑胶质瘤分割方法，其特征在于：所述方法包括以下步骤：

S1、将数据集预处理并打乱，划分成训练集和测试集，对训练集进行数据增强；

S2、使用训练集数据训练级联深度神经网络模型，具体为：

S21、取一批次训练样本切片，同时送入三个子模块编码部分，下采样卷积模块经过两次分组卷积独立提取四种模态的浅层特征得到多模态特征，然后经过池化操作，特征图大小减少一半，并送入下一层下采样卷积模块；

S22、经过步骤S21所述的下采样卷积模块得到多模态特征图，同时使用模态增强机制，获取增强特征，同时以特征图相加的方式融合来自前一子模块同层上采样卷积模块特征图，成为跳层部分特征图；

S23、经过5层下采样卷积模块后，执行双线性插值算法，特征图大小扩大至两倍，然后送入上采样卷积模块，同时接受步骤S22所述的跳层部分特征图，经过上采样卷积模块提取高级语义特征；

S24、经过4层上采样卷积模块后，使用1×1卷积，得到1个输出特征图，经过softmax激活函数获取分割结果，三个子模块得到三个任务的分割结果图；

S3、分批次投入所有训练样本切片，训练并优化网络参数，具体为：

每次训练随机选取16张切片数据，每轮训练学习完所有切片，共完成100轮，训练过程中，若最新迭代轮次的评估优于已存最优模型评估，则更新最优模型参数；使用Adam梯度下降方法优化参数，学习率为2×10E-4，β₁＝0.9，β₂＝0.999；学习率从随机指定的学习轮数开始衰减至最后一轮；三个Soft Dice损失函数带权相加构成损失函数；具体公式如下所示：

Loss_{total_dice}＝λ₁Loss_wt+λ₂Loss_ct+λ₃Loss_et

其中取λ₁＝0.3，λ₂＝0.4，λ₃＝0.3；具体为：

其中，C表示子模块个数，c代表第c个子模块，N表示每次参与损失计算的特征值个数总数，ci表示相应子模块c下的第i个特征值；g是ground truth，指真实标签值，p是prediction，表示预测值；

S4、把测试集数据分批送入训练好的模型，对模型进行分割性能评估。

2.根据权利要求1所述一种基于级联深度神经网络模型的脑胶质瘤分割方法，其特征在于：所述步骤S1具体为：

去除不包含脑组织区域的图片并进行切片，截取剩余切片中间尺寸为176×176的图像，去除图像四周背景区域，标准化同一个样例所有的切片，即将每个像素值减去图像矩阵均值再除以图像矩阵方差，降低不同模态像素强度差异对训练效果的影响，每一张切片进行随机小于20度的旋转、随机平移、随机弹性形变、以及随机垂直和水平翻转，上述所有操作的概率设置为0.5。

3.根据权利要求1所述一种基于级联深度神经网络模型的脑胶质瘤分割方法，其特征在于：所述步骤S4为对模型进行性能评估，具体过程为：

将测试集切片样本进行随机打乱，每一批次训练抽取16个样本切片放入模型得到模型评估结果，测试完所有测试集样本，取所有批次测试结果的平均值作为模型评估结果；

所用评估标准具体包括：Dice评估、Sensitivity评估、Specificity评估和双向豪斯多夫距离评估。