[发明专利]一种基于全卷积网络的MRI图像脑肿瘤自动分割方法

权利要求书

1.一种基于全卷积网络的MRI图像脑肿瘤自动分割方法，其特征在于，包括以下步骤：

S1、脑肿瘤多模态MRI图像预处理，其包括：

S11、对T1和T1c两个模态MRI图像进行场偏移校正操作；

S12、提取FLAIR、T1、T1c和T2四个模态的MRI图像切片，在每一个MRI图像切片中，将大于1％最高灰度设置为0.99倍的最高灰度值，将小于1％最低灰度设置为0.99倍的最低灰度值；

S13、对每一个MRI图像切片的灰度值进行数据标准化和线性归一化操作；

S14、获得归一化后的MRI图像同一层的肿瘤切片，按照FLAIR、T1、T1c和T2的顺序组合成四通道图像，其中作为训练集、验证集和测试集的比例为10:1:1；

S2、全卷积网络模型构造，其包括：

S21、采用迁移学习方法，获取已经训练好的卷积神经网络模型的中间特征层作为全卷积网络模型的基础特征层，所述基础特征层包括四个卷积层组和池化层；

S22、在所述基础特征层之后，添加三个与全连接层等同的卷积层构成中间层，使得中间层输出与语义分割类别数量相对应的粗糙分割图；

S23、在中间层之后再添加反卷积层进行插值得到分割结果1，分割结果1再与基础特征层中倒数第二个池化层的输出特征图进行融合，融合后进行反卷积层插值得到分割结果2，依次类推，再分别与基础特征层中倒数第三个和第四个池化层进行融合和反卷积层插值，最终得到分割结果3和分割结果4，所述分割结果4是与语义分割类别数量相对应，且与原图像大小一样的预测分数矩阵，分割结果4上的每个像素所分的类是每个像素在预测分数矩阵中最大值所对应的索引，形成了最终的分割结果图；

S3、网络训练与参数调优：将MRI图像脑肿瘤的分割转换为像素级语义标注问题，通过高斯随机变量初始化步骤S22中添加的三个卷积层的权值，利用预处理后的四通道图像作为训练样本并将其输入到构造的全卷积网络模型中，再采用随机梯度下降法作为优化方法有监督地最小化损失函数，从而对全卷积网络模型包括的所有卷积层的权值进行调优训练；

S4、脑肿瘤图像自动分割：将归一化后的待分割脑肿瘤四通道图像输入到具有已优化网络权值的全卷积网络模型中，得到与语义分割类别数量相对应的预测分数矩阵，根据这些矩阵值，分割出脑肿瘤及内部结构图像。

2.根据权利要求1所述的基于全卷积网络的MRI图像脑肿瘤自动分割方法，其特征在于，所述步骤S11中，采用N4ITK方法进行偏移场校正操作。

3.根据权利要求1所述的基于全卷积网络的MRI图像脑肿瘤自动分割方法，其特征在于，所述步骤S13中，对每一个MRI图像切片的灰度值采用下式进行数据标准化操作：

其中，x(i,j)对应切片X的第i行j列的灰度值，和X_s分别是切片X的均值和方差，x′(i,j)是x(i,j)标准化的灰度；

线性转化每个切片的灰度值在[0，1]的范围内，并采用下式进行线性归一化操作：

其中，x′(i,j)是标准化后的灰度，X'_max和X'_min分别是切片X标准化后的最大值和最小值，是线性归一化后的灰度。

4.根据权利要求1所述的基于全卷积网络的MRI图像脑肿瘤自动分割方法，其特征在于，所述步骤S21中，构造全卷积网络模型的基础特征层，是获取已经训练好的16层VGG模型的前四个卷积层组和池化层，所述采用迁移学习方法是将已经训练好的权值作为全卷积网络模型的基础特征层的初始权值。

5.根据权利要求1所述的基于全卷积网络的MRI图像脑肿瘤自动分割方法，其特征在于，所述步骤S21中，在四个卷积组构建的基础特征层中，每组卷积层的个数分别为2、2、3、3，每组卷积层的卷积核个数分别为64、128、256、512，每个卷积层采用3×3的小卷积滤波器进行卷积，且每个卷积层组后跟随采样窗口为2×2，步长为2的池化层。