[发明专利]一种基于深度神经网络的脑瘤MRI图像分割方法及系统

权利要求书

1.一种基于深度神经网络的脑瘤MRI图像分割方法，其特征在于，包括以下步骤：

S1：获取脑瘤MRI的原始图像，并根据所述原始图像获得对称强度图，以将所述原始图像和所述对称强度图共同作为输入图像输入网络；

S2：对所述输入图像进行下采样提取多种尺寸的特征图，在提取的多种尺寸的所述特征图上得到多个目标检测框；

S3：将多个所述目标检测框分别进行边界特征学习和整体特征学习，并将边界特征学习和整体特征学习的结果进行归一化得到综合特征图；

S4：根据多个所述目标检测框和所述综合特征图分别进行上采样得到多个预测图，再将多个所述预测图按照预定的参数进行结合，生成最终的预测图像；

其中步骤S1中根据所述原始图像获得对称强度图具体包括：找到划分出左右脑的分界线以划分左右脑，并对比同一镜像坐标下左右脑的原始图像的灰度值的相似度，再计算原始脑部图像和翻转的脑部图像之间的差异，在差异上提取特征，连接差异与原始图像的特征图以保留原始图像的信息，然后对神经网络中的对称性进行编码，并在多个卷积层和池化层之前对对称性图像执行相减，以在具有连续卷积层和池化层的神经网络上提取不同抽象层次的特征，生成对称强度图；

其中，步骤S3中将多个所述目标检测框分别进行边界特征学习具体包括：将多个所述目标检测框分别经过多次卷积得到卷积后的图像，再分别进行内部点到边界距离提取以及中心点选取；且中心点选取步骤具体包括采用下述公式来选取中心点：

其中，d_i指的是内部点到边界任意一点的距离，L为内部点到边界的最小距离与内部点到边界的最大距离之比，取上式中L最大的一项所对应的内部点为中心点；

步骤S3中将多个所述目标检测框分别进行整体特征学习具体包括：对于图片进行整体分割，运用卷积结构提取其整体特征形式；其中，对于整体图像的像素特征提取采用Dice损失函数。

2.根据权利要求1所述的脑瘤MRI图像分割方法，其特征在于，步骤S2中具体包括：对所述输入图像利用ResNet的下采样结构提取N种尺寸的特征图，取后N-n种尺寸的所述特征图通过R-FCN网络中的位置敏感的候选区域池化结构以得到多个所述目标检测框，其中N为≥2的正整数、n为≥0的整数，且N＞n+1。

3.根据权利要求1所述的脑瘤MRI图像分割方法，其特征在于，步骤S2还包括：将得到的多个所述目标检测框裁剪为相同大小的尺寸。

4.根据权利要求1所述的脑瘤MRI图像分割方法，其特征在于，步骤S3中将多个所述目标检测框分别进行边界特征学习具体包括采用Hausdorff_95损失函数进行优化学习：

HausdorffLoss(i)＝d_H(X,Y)＝max{d_XY,d_YX}

式中，d_H(X,Y)指的是集合X和集合Y之间的特征点差距大小,d_XY分别指集合X中特征点到集合Y的最小距离，d_YX是指集合Y中特征点到集合X的最小距离。

5.根据权利要求1所述的脑瘤MRI图像分割方法，其特征在于，步骤S3中将多个所述目标检测框分别进行整体特征学习具体包括采用Dice损失函数进行优化学习：

式中，|X∩Y|是集合X和集合Y之间的交集，|X|和|Y|分别 表示集合X和集合Y的元素的个数。

6.根据权利要求5所述的脑瘤MRI图像分割方法，其特征在于，步骤S3中将边界特征学习和整体特征学习的结果进行归一化得到综合特征图具体包括：采用下述损失函数进行归一化：

Loss(i)＝αDiceloss(i)+(1-α)HausdorffLoss(i)

式中，α代表非边界像素在总体像素中所占的比例。

7.一种基于深度神经网络的脑瘤MRI图像分割系统，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的脑瘤MRI图像分割方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指令促使处理器实现权利要求1至6任一项所述的脑瘤MRI图像分割方法的步骤。