[发明专利]结合改进U-Net和CMF的三维脑肿瘤图像分割方法

说明书

本发明涉及一种结合改进U‑Net和CMF的三维脑肿瘤图像分割方法，包括下列步骤：1)数据预处理；2)改进的U‑Net卷积神经网络初分割：改进的U‑Net卷积神经网络包含一个用于提取特征的分析路径和一个用于恢复目标对象的合成路径；搭建好改进的U‑Net卷积神经网络模型后，利用训练集对改进的卷积神经网络模型进行训练；在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到改进的U‑Net卷积神经网络模型中，以便网络学习到不同模态的不同特征，进行更精确的分割,得到粗分割结果；3)连续最大流算法再分割。

技术领域

本发明是医学影像领域中的一个重要领域，将医学图像和计算机算法结合起来，完成三维脑肿瘤核磁共振图像精确分割。具体讲，涉及改进的U-Net神经网络和连续最大流三维脑肿瘤图像分割方法。

背景技术

颅内肿瘤又称“脑瘤”，是神经外科中最常见的疾病之一。脑肿瘤是具有不同形状、大小和内部结构的异常组织，随着这种异常组织的增长，它们对周围组织施加压力，引起各种问题，因此组织类型的准确表征和定位在脑肿瘤诊断和治疗中起关键作用。神经成像方法特别是核磁共振成像(Magnetic Resonance Imaging，MRI)，提供关于脑肿瘤的解剖学和病理生理学信息，有助于诊断、治疗和患者的随访。脑肿瘤MRI序列包括T1加权(T1-weighted)、T1C(Contrast enhanced T1-weighted images)、T2加权(T2-weightedimages)及FLAIR(Fluid Attenuated Inversion Recovery)等成像序列，临床上通常结合四种序列图像共同诊断肿瘤的位置和大小。但由于脑肿瘤外观和形状的多变性，多模式MRI扫描中脑肿瘤的分割是医学图像分析中最具挑战性的任务之一。肿瘤组织的手动分割是一项繁琐且耗时的工作，并且会受到分割者的主观意识影响，因此如何高效，精准且全自动的分割脑肿瘤成为研究的重点。

脑肿瘤图像分割的方法主要有基于区域，基于模糊聚类，基于图论，基于能量和基于机器学习等方法。每种算法都有其各自的优缺点，为了提高脑肿瘤分割算法的准确性和稳定性，可以结合各种算法的优点，以达到分割要求。

卷积神经网络是一种深度前馈人工神经网络，已成功地应用于图像识别等领域。LeCun等将卷积神经网络(Convolution Neural Network,CNN)首次应用于图像识别领域。CNN不需要依靠人工来提取特征，可以直接从数据中学习到隐藏的复杂特征，从而依靠这些特征对图像实现分类、识别和分割等任务，避免了对图像复杂的前期预处理。Shelhamer等提出了一种用于语义分割的端到端，像素到像素的全卷积网络(Fully ConvolutionalNetworks，FCN)。Ronneberger等修改和扩展了全卷积网络的架构，提出了用于生物医学图像分割的卷积网络U-Net。Ozgun等在U-Net的基础上，通过用3D对应物取代所有2D操作，提出了基于体素分割的三维全卷积神经网络3DU-Net。

最大流和最小割算法作为能量最小化方法，是模拟和解决图像处理和计算机视觉中实际问题的关键策略之一，已成功应用于图像分割和三维重建等应用领域。相关的能量最小化问题通常被映射为相应图形上的最小割问题，然后通过最大流算法求解。近年来，研究人员更多地研究在连续框架中的最大流和最小割模型。Strang等首次研究连续域上的最大流最小割的相关优化问题。Appleton等提出了一种连续的最小曲面方法来分割2D和3D物体，并通过偏微分方程进行计算。Chan等提出了通过凸最小化方法分割连续图像域。Yuan等首次证明了连续最大流模型是Chan等提出的连续最小割模型的对偶问题，求解连续最小割问题可以转化为求解连续最大流问题。

发明内容

为克服现有技术的不足，针对现有分割算法对脑肿瘤图像分割精度不高的问题，本发明旨在提出一种结合卷积网络和传统方法的两阶段分割方法，利用深度卷积网络进行脑肿瘤预分割，利用连续型最大流算法改进脑肿瘤分割边界即进行精细分割，最终完成分割全肿瘤区域、肿瘤核心区域和增强区域的目标。本发明采用的技术方案是，