[发明专利]一种MR脑肿瘤图像实例分割方法、装置、设备及存储介质

权利要求书

1.一种MR脑肿瘤图像实例分割方法，其特征在于，包括：

获取脑肿瘤公开数据训练集，其中，所述脑肿瘤公开数据训练集包含有多个MR脑肿瘤图像样本；

针对所述多个MR脑肿瘤图像样本中的各个MR脑肿瘤图像样本，分别进行灰度数据归一化处理，得到对应的样本图像；

将所有的所述样本图像送入集目标检测和实例分割于一体的Mask RCNN网络模型进行训练，得到训练完毕的MR脑肿瘤图像实例分割模型，其中，所述Mask RCNN网络模型由骨干backbone网络、颈部neck网络和头部head网络构成，所述backbone网络采用残差网络，所述neck网络采用特征金字塔网络FPN，所述head网络包括有预测框分类网络、边框bbox回归网络和mask分支网络；

所述残差网络用于在输入样本图像后，输出与该样本图像对应的六个第一特征图；

所述特征金字塔网络FPN的自顶而下通路Top-down pathway设计为：在从第三预测层P3至第七预测层P7的各个预测层中分别引入第一卷积注意力模块，以便采用先通道后空间的策略，在空间和通道两个维度上进行重要特征加权，使得在输入所述六个第一特征图中的第i个第一特征图F_i后，得到与该第i个第一特征图F_i对应的第一细化新特征图F_i″，其中，i为自然数且有i∈[3，7]；

所述残差网络还用于经过不同的降采样次数，使得所述第一细化新特征图F_i″在经过1*1降维处理和2倍上采样处理后，与由下一预测层输出的且经过1*1降维处理的另一第一细化新特征图F_i′-′₁进行单位加融合，然后通过对单位加融合结果进行3*3卷积处理，得到第二特征图P_i′_-′₁；

在所述特征金字塔网络FPN中增加自底而上路径增强Bottom-up Path Augmentation，并设计为：先在所述各个预测层中分别引入第二卷积注意力模块，以便也采用先通道后空间的策略，在空间和通道两个维度上进行重要特征加权，使得在输入第二特征图P″_i-1后，得到与该第二特征图P″_i-1对应的第二细化新特征图N″_i，再自底而上地进行如下迭代处理得到用于预测框分类、边框bbox回归和mask分支生成的新第二细化新特征图：对低层的所述第二细化新特征图N″_i进行一个步长为2的3*3卷积处理和下采样处理，然后将处理结果与横向连接传递过来的且高层的第二特征图P″_i+1进行单位加融合，最后通过对单位加融合结果进行3*3卷积处理，得到新第二细化新特征图N″_i+1；

将待处理MR图像导入所述MR脑肿瘤图像实例分割模型，输出实例分割结果。

2.如权利要求1所述的MR脑肿瘤图像实例分割方法，其特征在于，所述脑肿瘤公开数据训练集采用脑肿瘤公开数据集BRATS2018中的训练子集，其中，所述多个MR脑肿瘤图像样本中的各个MR脑肿瘤图像样本分别有如下4种模态：T1模态、T2模态、T1ec模态和Flair模态。

3.如权利要求1所述的MR脑肿瘤图像实例分割方法，其特征在于，针对所述多个MR脑肿瘤图像样本中的各个MR脑肿瘤图像样本，分别进行灰度数据归一化处理，得到对应的样本图像，包括：将MR脑肿瘤图像样本标准化，使其具有零均值与单位标准差。

4.如权利要求3所述的MR脑肿瘤图像实例分割方法，其特征在于，针对所述多个MR脑肿瘤图像样本中的各个MR脑肿瘤图像样本，分别进行灰度数据归一化处理，得到对应的样本图像，还包括：

对标准化后的MR脑肿瘤图像样本进行如下方式的数据增扩处理：在各个通道上进行随机强度偏移处理，以及在三轴数据上进行随机旋转处理、镜像翻转处理、弹性形变处理和/或缩放处理。