[发明专利]听神经瘤图像自动化分割方法及系统

说明书

本发明提供了听神经瘤图像自动化分割方法和系统，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。本发明实施例通过构建以提升模型分割性能为目标的预处理网络提升了模型的分割性能，突破了单一Unet分割模型的局限性，获得了当前最优的听神经瘤图像自动化分割模型，能以较快的速度实现听神经瘤图像的自动化分割，大幅提升了听神经瘤图像分割效率。

技术领域

本发明属于图像自动化分割技术领域，特别是基于深度神经网络的听神经瘤图像分割方法。

背景技术

听神经瘤是一种并不罕见的颅内肿瘤，患者多为30岁以上的中年人，在肿瘤体积较小时常伴随着耳鸣、恶心等容易被忽视的症状，当发展到疾病中后期时由于肿瘤增大，压迫到了面部神经和小脑，就会出现较为严重的面瘫和四肢不协调，医生对这种良性肿瘤的治疗意见都是尽早切除。

核磁共振成像（Magnetic Resonance Imaging，MRI）在脑部诊疗中使用较为频繁，MR成像具有如下优势：1.MRI可以呈现多样的图像对比度；2.MRI可以实现较为完整的软组织成像；3.MRI分辨率较高。医生能够凭借MRI观察病患大脑、腹部等身体部位的详尽细节，这对疾病的诊疗十分有利。MRI影像一般使用T1、T1ce、T2、FLAIR四个序列，不同的序列可以显示不同的组织特征。在听神经瘤的治疗中，医生常使用T2序列加权的MRI影像作为诊断依据，在这个序列上的肿瘤区域相比周围组织值更大一些，视觉效果上更亮一些。

通过医疗影像，医生可以根据自己的知识和经验对肿瘤区域进行人工标注，但在医疗资源分配不均、医疗影像数据连年增长的情况下，人工标注逐渐暴露出了标定周期长、标定精度参差不齐的问题，这也使得自动化标注成为了人们关注的重点。由于医学图像样式单一，界限模糊，传统的语义分割方法在医学图像分割上效果不佳且需要人为辅助，无法实现全自动化的标注。为减轻医生负担、提高分割准确率，近年来以深度学习为基础的计算机辅助诊疗技术逐渐得到了广泛应用，然而单一的分割网络性能提升有限，因此需要提出新的听神经瘤图像自动化分割方法提升分割性能。

发明内容

本发明针对目前单一的听神经瘤图像分割网络性能提升有限的技术问题，提供一种听神经瘤图像自动化分割方法及系统。

本发明为实现上述技术目的，采用了以下的技术方案。

一方面提供一种听神经瘤图像自动化分割方法，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。

进一步地，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，其中：

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。

再进一步地，所述Unet分割网络的训练方法如下：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。