[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

说明书

本发明公开了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，首先针对以序列为单位的切片组数据，去除每一个序列中不含肿瘤的切片，再通过旋转、裁剪、翻转操作对数据集进行扩增，获得扩增数据集；然后将预处理后的扩增数据集送入分类预测网络，对完整的脑部肿瘤数据按照肿瘤的有无进行分类预测；接着构建MRI脑肿瘤图像分割网络和训练MRI脑肿瘤图像分割网络；最后将需要检测的MRI肿瘤切片输入到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。本发明有效解决了特征提取信息丢失问题，能够精确提取形状不规则的肿瘤区域。

技术领域

本发明属于数字图像处理、计算机视觉技术领域，涉及一种联合分类预测和多尺度特征提取的图像分割方法，特别是涉及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。

背景技术

MRI脑肿瘤图像分割，是对颅脑的病变目标进行像素级别分类的技术。该技术是计算机视觉、机器学习以及模式识别的综合运用。具体流程，首先对MRI脑部序列切片进行有无肿瘤的分类预测，再对含肿瘤的切片进行分割处理。可用于计算机辅助诊断(Computer-aided Diagnosis,CAD)，减轻医生的手动分割负担，节省时间、精力，可重复性好。

在早期，医学影像分割技术的工作中大部分基于传统的图像处理方法，例如边缘检测、区域生长、主动轮廓模型方法等。随着深度学习的发展，高效的医学影像分割方法被研究者们相继提出。其中，最著名的是U-Net，一种完全借助于深度学习模型提取感兴趣的目标区域，避免了观察者主观因素的影响，并提高了处理数据的速度。U-Net是基于FCN改进的一种全卷积神经网络，因其分割的精准度与普适性而被学者广泛使用。研究者们将先进的神经网络结构与U-Net结合，进一步改进与创新，以达到高分割性能的目的。

脑部MRI肿瘤的分割方法可分为特征提取和特征恢复两个步骤。其中特征提取通过卷积和池化操作提取肿瘤的轮廓、边缘、形状、大小等属性特征。特征恢复通过转置卷积进行上采样，恢复出肿瘤的形状、大小等目标区域。目前，许多研究学者专注于将提取的低级语义信息和高层的语义特征进行更好的融合，以达到提升分割精度的效果。然而这些算法并不能达到较高的分割精度，并且网络模型复杂。

发明内容

本发明的目的在于提出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，有效解决特征提取信息丢失问题，并且能够精确提取形状不规则的肿瘤区域，能够适用于噪声较多、对比度低、分割目标形状变化复杂等因素引起的低质量MRI颅脑序列图像的分割。

本发明的方法所采用的技术方案是：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；