[发明专利]一种基于UNet++优化和权值预算的脑肿瘤分割算法

说明书

针对脑肿瘤磁共振成像（MRI）多模态精准分割，3D脑肿瘤分割网络比2D脑肿瘤分割网络在学习过程中，更好保存中间层信息，分割效果更好，但是在肿瘤内部组织分割时，效果总是差强人意。引入基于UNet网络改进的UNet++网络，利用其网络结构连结紧密的特点，提高了脑肿瘤内部组织分割精度。再在其中加入残差模块解决信息损失和网络训练时退化的问题，从而构造合适的网络结构。但是构建的网络结构复杂训练时间缓慢，在此基础上利用权值预算，解决了其训练缓慢的同时也提高了分割精度。实验结果表明改进的网络对于脑肿瘤内部分割效果良好，并具有比典型脑肿瘤分割方法更优的性能。

技术领域

本发明提出一种基于深度学习的脑肿瘤分割算法，采用的是一种基于UNet++优化和权值预算的脑肿瘤分割算法。改进的UNet++网络模型可用于更精确地分割脑肿瘤核磁共振图像，它可以在保证整体分割精度的同时，对脑肿瘤内部组织更精确的分割。权值预算的使用，可以解决UNet++网络结构复杂导致的训练时间缓慢问题，同时对于脑肿瘤内部组织分割，比直接训练效果更佳。

背景技术

目前，医院在制定放疗计划时普遍采用手工勾画的方式来确定放疗靶区。然而，手工勾画存在诸多弊端：一方面，医生的筛查过程非常耗时；另一方面，由于恶性肿瘤的侵入性生长在图像中边界并不明显。同时，不同医生对同一个病人的脑肿瘤图像或是同一个医生在不同时期对同一个病人的脑肿瘤图像的分割结果存在一定的差异。脑肿瘤分割由于其大小、形状和结构的变化，以及邻近组织和设备噪声的影响，准确地从MRI脑图像定位和分割肿瘤是非常具有挑战性的。研究肿瘤图像的精准分割方法，为肿瘤靶区的勾画提供快捷且重复性较高的方案，成为图像引导放疗技术领域的一个重要研究分支。

随着深度学习技术的不断突破，基于深度学习的自动图像分割方法也取得了长足的发展。特别是UNet网络结构的出现，对医疗图像的分割取得了巨大进展。同时计算机硬件设备的发展，使得3D图像分割得以实现，分割精度进一步提升。但是UNet网络存在语义信息不全面和上下文信息联系不紧密的问题，同时3D脑肿瘤分割普遍存在脑肿瘤内部结构分割精度低。

发明内容

本发明所解决的技术问题是针对UNet网络存在语义信息不全面和上下文信息联系不紧密的问题和3D脑肿瘤分割存在脑肿瘤内部结构分割精度低的问题，提出一种基于UNet++优化和权值预算的脑肿瘤分割算法，使用UNet++网络模型使得UNet网络的语义信息不全面和上下文信息联系不紧密在一定程度上由于其紧密网络结构被解决，从而使得3D脑肿瘤分割的脑肿瘤内部组织分割效果更佳。权值预算使得UNet++网络模型由于网络结构复杂导致的训练速度缓慢问题被解决，同时分割精度也会更好。

为了实现上述目的，本发明的技术方案如下：

一种基于UNet++优化和权值预算的脑肿瘤分割算法，包括以下步骤：

步骤一：数据预处理，将数据集根据需求改为网络可训练的大小；

步骤二：构建改进的3DUNet网络模型，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；

步骤三：建立改进的3DUNet++网络模型，保留其优秀的密集连接；

步骤四：使用保存的改进UNet网络模型的最终权重，作为改进的3DUNet++网络模型的初始权重进行训练，获取脑肿瘤图像分割结果。

所述步骤一中的具体过程如下：

（1）由于图片太大，将数据分块，分块大小为16×160×160；

（2）BraTS2018和BraTS2019数据集每个病例有四个模态(t1、t2、flair、t1ce)。因为每个模态核磁共振图片的成像方式不同，从而图像的对比度也就有差异，从而采用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；

（3）背景在整幅图像中占的比例较大，并且背景区域也不是分割目标区域，从而对其进行剪裁，去除无效区域；