[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

说明书

本发明涉及一种基于级联深度神经网络模型的脑胶质瘤分割方法，属于医学图像处理领域。该模型包括WT‑Net、TC‑Net和ET‑Net编码解码子模块，并且WT‑Net编码解码子模块与TC‑Net编码解码子模块级联，TC‑Net编码解码子模块与ET‑Net编码解码子模块级联；编码解码子模块皆包括编码部分、解码部分和跳层连接。本发明将复杂的多分类问题分解成三个二分类问题，级联模型解决了样本利用程度不高、训练样本不均衡以及特征提取过程中全局信息损失问题，实现了MRI图像脑胶质瘤自动分割，对医生诊断病情具有辅助作用。

技术领域

本发明属于医学图像处理领域，涉及一种基于级联深度神经网络模型的脑胶质瘤分割方法。

背景技术

脑胶质瘤是最普遍的脑肿瘤，具有极高的致死率。根据胶质瘤的病理性评估，可以分为高级胶质瘤(High-grade Gliomas，HGG)和(Low-grade Gliomas，LGG)。HGG子区域包括水肿、坏死核心、增强区域以及非增强区域，且生长快速具有较高致死率，而LGG不包含增强区域，且生长缓慢对病人有更小的侵略性。

核磁共振图像(Magnetic Resonance Imaging,MRI)对软组织有较好成像效果，能够差异呈现不同脑胶质瘤区域。脑胶质瘤核磁共振图像通常使用多种模态，例如：T1-weighted(T1)， Contrast Enhanced T1-weighted(T1ce)，T2-weighted(T2)以及FluidAttenuation Inversion Recovery(FLAIR)。四种模态对不同肿瘤组织的敏感程度不同。FlAIR模态对瘤周水肿更为敏感，更利于完整肿瘤图像分割，而T2和T1ce对肿瘤核心和增强区域更为敏感。MRI图像的脑胶质瘤分割结果能够辅助医生诊断脑胶质瘤形态，对手术治疗有指导意义。虽然MRI能够对脑胶质瘤很好地成像，但是分割肿瘤图像仍然存在困难。由于平滑的图像强度梯度、部分容积效应和场偏移效应，相邻结构之间的边界往往不明确，且不同病人的肿瘤位置、形状、大小高度异质。目前，主要依赖于专家手动分割，分割结果容易出错、受分割者主观影响、花费时间长并且花费昂贵。因此，高效准确的脑肿瘤自动分割算法的研究尤为重要。

近几年，随着以卷积神经网络为代表的深度学习方法的提出，医学图像分析与处理领域的研究取得了突破性进展。深度学习通过搭建卷积神经网络，在模型参数的不断迭代更新的过程中，学习图像的深层次且具有代表性的抽象特征，构建模型供后续分割任务使用。卷积神经网络通常由卷积模块堆叠而成。卷积模块包括卷积层、激活层和池化层，其中卷积层通过卷积核在特征图上进行卷积操作，获取图像特征，然后由激活层对特征图做非线性变化，经过池化层获取多尺度特征。

基于深度学习的脑胶质瘤分割方法可以分为：基于图像块的方法和基于全连接网络的方法。图像块的方法通过提取领域像素的特征预测中心像素标签概率。图像块方法对每一个像素都进行一次单独的卷积网络计算，导致大量冗余计算且破坏全局特征。全卷积网络，关注图像全局特征，一次性在对所有像素点分类且同时保留原始图像的全局信息，与图像块方法相比，能够减少计算量，其改进模型U-Net在脑胶质瘤分割算法中应用广泛。基于U-Net模型，Kong等人使用金字塔思想加强多尺度特征的利用，Chen等人使用空间可分离卷积提取样本3D特征。这些方法虽然针对特征提取进行了改进，但忽略了不同任务对不同数据模态的差异需求。Lachinov等人提出了改进3D U-Net方法，在模型编码阶段采用模态分离学习方法高效处理输入的多模态MRI，提高模型对多模态图像的利用程度。Wang等人和Chen等人根据脑胶质瘤组织的层次结构，提出级联模型方法，以较大区域肿瘤组织作为子区域的预分割区域，约束子区域的分割范围。这种粗暴的预分割方法虽然能有效提高复杂子区域的分割效果，但要求预分割结果容错率低，且预分割结果形变会破坏图像结构。简言之，基于深度学习的脑胶质瘤分割方法面临训练样本不均衡的挑战，同时存在对训练样本利用程度不高、提取肿瘤区域过程中破坏全局信息的问题。

发明内容