[发明专利]听神经瘤图像自动化分割方法及系统

权利要求书

1.听神经瘤图像自动化分割方法，其特征在于，包括以下步骤：

获取听神经瘤患者的核磁共振图像；

利用预先训练的听神经瘤图像自动化分割模型对获取的听神经瘤患者的核磁共振图像进行自动化分割获得分割结果，所述听神经瘤图像自动化分割模型采用预处理网络和分割网络的级联结构，所述预处理网络采用pix2pixGAN网络，所述分割网络采用Unet分割网络；

所述pix2pixGAN网络的训练方法包括：获取听神经瘤患者脑部核磁共振影像样本的训练集和验证集；基于训练集和Unet分割网络获取训练集中听神经瘤核磁共振影像对应的修正图像；将训练集中的听神经瘤核磁共振影像和对应的修正图像分别作为pix2pixGAN网络的输入数据和目标数据输入pix2pixGAN网络，多次迭代训练，得到生成器网络；使用测试集在所述听神经瘤图像自动化分割模型上进行测试，选取测试性能最优的生成器网络作为听神经瘤图像自动化分割模型的预处理网络；

获取听神经瘤核磁共振影像对应的修正图像的方法包括：

计算训练集中听神经瘤患者脑部核磁共振影像在Unet分割网络中的Dice评估系数；

计算Dice评估系数关于该核磁共振影像的偏微分，将该偏微分值作为当前核磁共振影像的修正值进行叠加；多次迭代得到听神经瘤脑部核磁共振影像最终的修正图像。

2.根据权利要求1所述的听神经瘤图像自动化分割方法，其特征在于，

pix2pixGAN网络与Unet分割网络均为对称网络结构，均包括下采样部分和上采样部分，所述pix2pixGAN的生成器结构共26层，其下采样部分包含2个dropout层；

Unet分割网络共23层，其下采样部分包含10个卷积层，2个最大池化操作，上采样部分包括8个卷积层和4个反卷积层。

3.根据权利要求2所述的听神经瘤图像自动化分割方法，其特征在于，所述Unet分割网络的训练方法包括：获取听神经瘤患者脑部核磁共振影像样本的训练集；将训练集作为输入数据，该影像样本对应的标注分割结果作为目标数据，对所述Unet分割网络进行训练，多次迭代后选取损失值最小的Unet分割网络作为最终的Unet分割网络。

4.根据权利要求1所述的听神经瘤图像自动化分割方法，其特征在于，获取听神经瘤患者的脑部核磁共振成像包括：获取听神经瘤患者在T2序列下的脑部核磁共振成像及其标注数据；使用库函数对获取到的核磁共振图像及其标注数据进行格式转换，得到二维可读取听神经瘤数据集；使用数据增强方法进行数据扩增。

5.听神经瘤图像自动化分割系统，其特征在于，包括：数据获取模块和听神经瘤图像自动化分割模块，所述数据获取模块，用于获取听神经瘤患者的核磁共振图像；所述听神经瘤图像自动化分割模块，用于利用预先训练的听神经瘤图像自动化分割模型对获取的听神经瘤患者的核磁共振图像进行自动化分割获得分割结果，所述听神经瘤图像自动化分割模型采用预处理网络和分割网络的级联结构，所述预处理网络采用pix2pixGAN网络，所述分割网络采用Unet分割网络；

所述pix2pixGAN网络的训练方法包括：获取听神经瘤患者脑部核磁共振影像样本的训练集和验证集；基于训练集和Unet分割网络获取训练集中听神经瘤核磁共振影像对应的修正图像；将训练集中的听神经瘤核磁共振影像和对应的修正图像分别作为pix2pixGAN网络的输入数据和目标数据输入pix2pixGAN网络，多次迭代训练，得到生成器网络；使用测试集在所述听神经瘤图像自动化分割模型上进行测试，选取测试性能最优的生成器网络作为听神经瘤图像自动化分割模型的预处理网络；获取听神经瘤核磁共振影像对应的修正图像的方法包括：

计算训练集中听神经瘤患者脑部核磁共振影像在Unet分割网络中的Dice评估系数；

计算Dice评估系数关于该核磁共振影像的偏微分，将该偏微分值作为当前核磁共振影像的修正值进行叠加；多次迭代得到听神经瘤脑部核磁共振影像最终的修正图像。

6.根据权利要求5所述的听神经瘤图像自动化分割系统，其特征在于，所述预处理网络用于对脑部核磁共振影像进行修正，所述分割网络用于对修正后的脑部核磁共振图像进行病灶区域划分，得到肿瘤区域的掩码图像。