[发明专利]基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法

说明书

本发明提出一种基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，包括：数据预处理，对脑部核磁各个模态的图像进行标准化处理和数据增强；利用标注数据集对深度卷积神经网络进行训练，基于反向传播算法对参数进行更新；利用训练好的模型，对需要测试的图像进行分割，再对结果进行后处理，得到脑部胶质瘤分割的最终结果。本发明实现了一种适用于脑部核磁图像中脑部胶质瘤的分割方法，具有很高的准确率。

技术领域

本发明涉及脑部核磁图像中脑部胶质瘤的分割方法。

背景技术

脑部核磁图像中脑部胶质瘤的分割在脑部胶质瘤的诊断和治疗中起着十分重要的作用。以往，该过程通常由医生手工完成，然而手工的分割费时费力，且容易引入人的主观误差。因此自动的脑部胶质瘤图像分割算法变得尤为重要。近年来，深度学习的方法在图像任务上取得了比传统方法更好的表现，很多深度神经网络被用在生物和医学图像的分割中来。如何将深度学习的算法更好的应用到脑部胶质瘤的分割上，面临以下问题：

与自然图像不同，医学图像的公开数据集数量较少，质量更差。如何利用这些有限的标注数据对深度神经网络进行有效的训练是很有挑战性的问题。另外，现有的深度神经网络大多关注在自然图像的数据集上的表现，而不会考虑医学图像如脑部核磁图像中特定的特征。

这些问题使得直接将现有的用于图像分割的深度神经网络用在脑部核磁图像的分割上时，分割精度并不会较传统方法有很大的提高，甚至还会出现过拟合、速度慢等问题。

发明内容

本发明解决的技术问题是：针对传统的脑部核磁图像中脑部胶质瘤的分割方法速度慢精度差等问题，提供了一种基于深度卷积神经网络的分割算法，该算法在脑部核磁图像中脑部胶质瘤的分割任务上具有精确度高等优点。

本发明是采用以下的技术方案实现的：

一种基于深度卷积神经网络的脑部胶质瘤核磁图像分割方法，包括以下三个步骤：

步骤(1)、MRI图像预处理：对于输入的训练图像，进行标准化处理，包括每个模态图像的归一化，每张图像进行处理消除明暗不均匀和去噪；

步骤(2)、深度卷积神经网络的训练：将经过步骤(1)处理的标注数据作为训练集，输入到设计好的神经网络模型中进行训练，基于反向传播算法更新深度卷积神经网络的参数，对网络进行优化，直到损失函数收敛；

步骤(3)、利用训练好的模型进行分割：把待分割的图像先按步骤(1)进行预处理，再输入到步骤(2)中训练好的深度卷积神经网络中，神经网络的输出即为初步的分割结果，再对结果进行后处理，得到最终的MRI图像中的脑部胶质瘤分割结果。

进一步地，还包括：

步骤(4)使用测试时数据增强方法，最后再对结果进行融合以提高分割的精确度，具体算法流程为：

(41)、对于待输入的测试图像，进行多组随机的旋转、平移、缩放等变换，并记录各组变换的变换矩阵，得到多组不同的输入图像；

(42)、将得到的多组输入图像分别输入到训练好的深度卷积神经网络中，得到对应的分割结果；

(43)、利用步骤(41)中记录的变换矩阵，将步骤(42)中得到的分割结果进行(41)中图像变换的逆变换，此时得到一组测试图像的多个分割结果，即每个像素得到多个分类结果；

(44)、将步骤(43)中得到的多个分割结果进行融合操作。

进一步地，所述步骤(2)中卷积神经网络结构设计中添加先验，具体为：