[发明专利]一种基于UNet++优化和权值预算的脑肿瘤分割算法

权利要求书

1.一种基于UNet++优化和权值预算的脑肿瘤分割算法，其特征在于，包括以下步骤：

Step 1：数据预处理，将数据集根据需求改为网络可训练的大小；

Step 2：构建改进的3DUNet网络结构，用该模型对测试图像进行分割，获取脑肿瘤图像分割结果，保存最终的网络权值；

Step 3：建立改进的3DUNet++网络结构，保留其优秀的密集连接，同时删除一些不必要的结构；

Step 4：使用保存的改进的UNet网络模型的最终权重，作为改进的3DUnet++网络结构的初始权重进行训练，获取脑肿瘤图像分割结果。

2.根据权利要求1所述的一种基于UNet++优化和权值预算的脑肿瘤分割算法，其特征在于，所述Step 1中的具体过程如下：

Step1.1 将数据分块；

Step1.2 采用Z-score方法分别标准化每个模态的图像，图像减去均值除以标准差；

利用Z-score标准化：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差；

Step1.3 对图像进行剪裁，去除无效区域；

Step1.4 将四个模态合并成四个通道，保存后其大小为16×160×160×4；

相对应的Mask在分块后，将三个标签合并成三个嵌套的子区域，最后合并为三个通道，分别为WT、TC、ET,数值大小为0或1，最后保存大小为16×160×160×3。

3.根据权利要求1所述的一种基于UNet++优化和权值预算的脑肿瘤分割算法，其特征在于，所述Step 2中的具体过程如下：

Step2.1 使用3DUNet网络加上残差模块构成脑肿瘤分割网络模型；

Step2.1.1 构建的网络模型使用3次下采样和3次上采样保留原始的U形对称结构，每次上采样和下采样过程中使用两次3D卷积，卷积核大小为3，每次卷积后使用一次归一化（BatchNorm，BN）和一次非线性Relu，下采样使图片大小变为原来的1/2；

上采样使图片大小变为原来的2倍，并在最后一次下采样和第一次上采样之前加入一次残差模块，防止网络过深信息丢失和网络退化；

一个残差块可以用表示为：

残差块分成两部分直接映射部分和残差部分，其中为直接映射部分，为残差部分；

Step2.1.2 在上面的网络模型后再加入一次3D卷积，使通道数变为3，使输出与处理后的医生标注图片一致；

Step2.2 将数据集放入网络进行训练和测试，得到最优的网络分割结果，并将该网络最优分割结果的权值保存；

训练采用了混合损失函数BCEDiceLoss，它是由二分类的交叉熵（binary_cross_entropy）和医学影像损失Dice Loss组合而成；

计算二分类的交叉熵的具体过程：

首先对损失输入进行判断；

医生标注的分割图片已经被预处理为0或1，对应的是二分类问题，实际网络模型训练的输出（损失输入）每一个点即为一个结点，根据这个结点是否大于0.5来做二分类；

再根据损失输入和预处理后的医生分割图片对应结点计算交叉熵：

其中，p为预处理后的医生分割图片期望输出，t为实际网络模型训练的输出；

计算医学影像损失Dice Loss的具体过程：

首先了解Dice系数的定义，Dice系数是一种集合相似度度量函数，通常用于计算两个样本的相似度，取值范围在[0，1]：

其中 |X∩Y| 是X和Y之间的交集，|X|和|Y|分表表示X和Y的元素的个数；其中，分子的系数为2，是因为分母存在重复计算X和Y之间的共同元素的原因；

根据Dice系数定义的Dice Loss：

再为Dice Loss添加一个拉普拉斯平滑（Laplace smoothing），因为它是一个可选改动值，这里将它取值为1e-5，即将分子分母全部加 1e-5：

拉普拉斯平滑带来的好处为避免当|X|和|Y|都为0时，分子被0除的问题和减少过拟合；

最终混合损失定义为：

综上使用此混合损失函数保证了Dice系数精度，即分割结果较好，同时确保分割结果对比专家的勾勒结果误差小。