[发明专利]联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法

权利要求书

1.一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于，包括以下步骤：

步骤1：获取图像数据，并进行预处理；

针对以序列为单位的切片组数据，通过旋转、裁剪、翻转操作对数据集进行扩增，获得扩增数据集；其中，每一个序列代表一位患者；

步骤2：分类预测网络训练；

将预处理后的扩增数据集送入分类预测网络进行网络训练，对完整的脑部肿瘤数据按照肿瘤的有无进行分类预测，获得训练好的分类预测网络；

步骤3：构建MRI脑肿瘤图像分割网络；

所述网络包括10组网络：前4组为编码部分，由4个卷积模块和池化组成，其中，卷积模块均为(Conv2d+BN+ReLU)×2，前三次池化为最大池化Max Pooling，第四次池化为StripPooling；设C_i、H_i、W_i依次为经过第i个卷积后的通道数，高和宽，则第i个卷积block后的特征图像尺寸为其中C_i+1＝2C_i，第五组为DPC结构，使用3个DPC模块，并且每一个DPC的输入通道数与输出通道数相同；6，7，8，9组为解码结构，通过转置卷积实现网络的上采样，为经过转置卷积后的通道数，恢复目标图像分辨率；并同时利用跳跃连接，级联编码结构相应层的特征图信息与解码中的特征图，级联后的特征图尺寸为其中，H_i＝H_10-i，W_i＝W_10-i；最后第10组通过1×1卷积，得到与输入图像尺寸一致的分割图像；所述DPC模块，是采用密集连接方式在保证网络中层与层之间最大程度的信息传输的前提下，将若干PyConv级联起来组成的模块；

步骤4：训练MRI脑肿瘤图像分割网络；

将预处理后的图像数据分为训练集和测试集，将训练集送入MRI脑肿瘤图像分割网络进行训练，获得训练后的MRI脑肿瘤图像分割网络；通过测试集测试训练后的MRI脑肿瘤图像分割网络，若满足预设要求，则停止训练，获得训练好的MRI脑肿瘤图像分割网络，否则修改数据预处理参数以及提出的网络模型之中的参数，继续执行训练过程使得达到预设要求；

步骤5：输出结果；

将需要检测的MRI肿瘤切片输入到步骤2中训练好的分类预测网络中进行有无肿瘤的预测，继而将有肿瘤的序列切片输入给练好的MRI脑肿瘤图像分割网络，完成肿瘤的分割，获取分割结果。

2.根据权利要求1所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：步骤2中，采用的ResNet34分类预测网络，并使用在ImageNet上进行预训练的参数进行实验；将原始数据集分为训练集和测试集，其中测试集为随机划分的若干个脑部肿瘤序列；实验训练时，将输入图像尺寸调整为256×256，并使用水平翻转和正则化，以达到更好的分类效果。

3.根据权利要求1所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：步骤3中，在第五组DPC结构使用PyConv，同时获取不同感受野下的特征图，提取多尺度的肿瘤特征信息，

在PyConv中，FM_i为输入特征图，卷积核大小依次为则卷积核中内核深度依次为式(1)：

故输出特征为公式(2)：

FM_o＝FM_o1+FM_o2+FM_o3+…+FM_on (2)

其中，FM_oi为各个塔层的输出，FM_o为通道级联后的总输出，FM_i为第i个PyConv的输入特征图，n表示第n个卷积核大小。