[发明专利]一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法

权利要求书

1.本发明是一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法。主要包括以下内容：首先对图像进行预处理，然后利用多模态成像原理，实现对非正常脑组织区域的多分类。

技术方案如下：

步骤一：将非正常脑组织成像数据mha进行切片，得到二维bmp图像。

步骤二：将得到的二维图像进行预处理，提高病变区域和非病变区域的对比度，然后对图像进行归一化处理。

步骤三：分别对flair,T1,T2,T1c图像中的点提取一个15×15的图像块，将图像块进行堆叠成为一个4×15×15的矩阵。将每个图像块的灰度转换为一个4×225维的向量，依次排列形成输入矩阵；。

步骤四：同时设立四个SAE(堆叠降噪自动编码器)网络。

步骤五：对每一个SAE深度学习网络，设定SAE深度学习网络的隐层节点数，将矩阵作为输入，进行预训练，获取最初的网络参数；

步骤六：在网络的顶部增加一个输出层，利用带标签的数据对网络参数进行微调得到最终的参数；

步骤七：使用得到的参数初始化一个新的分类网络，对需要测试的图像，为其提取同样大小的图像块，并形成同样的灰度矩阵，把这个灰度矩阵输入到分类网络中，得到最初的分类结果。

步骤八：分别从四个SAE网络中获取病变区域的分类，将结果映射到一个与原图大小相同的空白图像上面。

步骤九：使用连通分量的方法对图像进行后处理，限定分割图像的连通数。

步骤十：使用开运算和闭运算对分割后的图像边缘进行平滑处理。

2.根据权利要求1所述的堆叠自动编码器网络实现对病人脑肿瘤区域的分割方法，其特征在于所述步骤三中的所述，对二维图像进行分块提取，具体实现步骤如下：

分别从flair、T1、T2、T1c图像上面提取15×15的图像块，然后将这些图像块堆叠成4×15×15的矩阵。然后得到一个4×225维的向量，一共得到N个二维向量。将这些二维向量按照从上到下的顺序进行排列，形成输入矩阵X。

3.根据权利要求1所述的堆叠自动编码器网络实现对病人脑肿瘤区域的分割方法，其特征在于所述步骤八中的所述，四个深度学习网络进行病变区域的提取，具体实现步骤如下：

根据flair图片的成像原理，从网络1中提取水肿区域特征N₁，映射到一个空白图像上得到图像X，然后根据T1成像原理，从网络2中提取肿瘤增强部分特征N₂，映射到X上面，得到X1；然后根据T1C成像原理，从网络3中提取肿瘤部分特征N₃，映射到X1上面，得到X2；然后根据T2成像原理，从网络4中提取坏死部分特征N₄，映射到X2上面，得到X3；X3就是最后的分割结果。