[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

说明书

本发明涉及计算机视觉技术领域，公开了一种MR脑肿瘤图像实例分割方法、装置、设备及存储介质，即在现有Mask RCNN实例分割模型和特征金字塔网络FPN的基础上，在FPN上增加了一条自底而上路径增强Bottom‑up Path Augmentation，然后在FPN的自顶而下通路Top‑down pathway的上采样路径和Bottom‑up Path Augmentation的下采样路径中分别引入卷积层注意力机制CBAM，可以更好改善肿瘤形状大小因为个体差异和时间变化而产生的改变问题，同时融合低分辨率特征图和高分辨率特征图，可以有效提高小目标的检测效果，降低小尺寸肿瘤的漏检率，为肿瘤的早筛提供帮助，如此不但在分割性能上有提升且具有较好的通用性。

技术领域

本发明属于计算机视觉技术领域，具体地涉及一种MR脑肿瘤图像实例分割方法、装置、设备及存储介质。

背景技术

磁共振成像(MRI，Magnetic Resonance Imaging)是一种非侵入式成像技术，允许对器官或肿瘤的介观特征进行无创性表征。MRI技术可提供良好的空间解剖信息，具有良好的软组织对比度检测能力，无需重建就可获得任意方位的断层扫描，所获取的多序列多模态成像可为明确病变性质提供丰富的影像信息，帮助医生和研究人员理解大脑疾病的病理生理学，辅助影像诊断、预后和肿瘤治疗。在临床环境中，病灶精准检测与分割对患者病情评估和治疗方案制定有重要意义。

然而，MR脑肿瘤图像存在如下客观因素：(1)脑部组织结构的复杂性，即MRI脑影像中既有正常组织，如脑皮层、脑脊液、白质和灰质等，也有病变组织，如增强肿瘤、非增强肿瘤、水肿以及肿瘤内部的坏死区域等，部分组织结构成像相似性高，对比度低，导致不易区分；(2)多尺度，即肿瘤形状大小各异以及在不同时期形状大小多变；(3)空间位置不固定，即肿瘤区域不固定，存在个体差异；(4)多目标，即多个目标或含有多个子结构，容易漏检；(5)类别不平衡，即病灶区域的特征信息在MR图像中占比较小。

上述因素导致面向MR脑肿瘤精准分割仍面临很大挑战，目前很多主流的分割算法功能较为单一，只能对上述因素中的某一个问题进行改善，通用性较差。如有人利用U-Net或其改进的网络结构在医学图像的不同组织器官或病灶进行分割，通过含有跳跃连接的编码—解码结构的网络结构，有效地提升分割精度。针对脑胶质瘤多子区域的分割问题，还有人利用多任务网络将多子结构分割问题集成到同一个网络，并通过课程学习的方式逐次实现多任务分支的训练。还有人在保持精度的情况下通过轻量化来提高脑肿瘤的分割效率。当肿瘤相距较远时，大多数模型只能分割出其中一部分目标，缺乏全局视野，易出现漏检情况。主流模型在多尺度肿瘤检测上效果不理想，图像中尺寸较小的肿瘤存在较高的漏检率，对于尺度较大的肿瘤则难以较好的实现完整分割。由此针对MR脑肿瘤图像存在的客观复杂性，有必要设计一个能改善性能且通用性较好的分割模型及分割方案。

由于在卷积神经网络(Convolutional Neural Network,CNN)上可通过堆叠多个卷积层、池化层和全连接层以及将图像与核特征参数进行卷积，形成具有强鲁棒性和自适应性的特征学习模型，因此相对于人工分割和传统分割方法，将CNN应用在脑肿瘤分割的最大优势可在于能够提取脑部MRI图像中肿瘤复杂特征。CNN的特征检测层通过对训练数据的学习，避免了显式的特征抽取，隐式地从训练数据中进行学习，能够大幅度提高脑肿瘤图像分割精度。因此有人开始尝试把CNN卷积神经网络用于脑肿瘤分割，如Pereira等基于CNN设计了自动分割MRI脑肿瘤的方法。