[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

说明书

本发明公开了一种基于深度神经网络的脑瘤MRI图像分割方法及系统，该方法包括：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。本发明具有较好的检测精度和边界精度，方便进行后续诊断。

技术领域

本发明涉及计算机图像技术领域，尤其涉及一种基于深度神经网络的脑瘤MRI图像分割方法及系统。

背景技术

在脑瘤病理的诊断过程中，能够自动识别病理区域，并将其准确地划分出来是非常重要的一件事。在传统医学领域中，此过程一般由人工完成。但由于图像数量较多，且早期病理区域不明显，经验不丰富的医生常常会发生漏诊或误诊的情况。因此，能够预先进行准确的脑瘤分割十分重要。其中，准确的分割脑瘤的边界是判断脑瘤病情的重要因素，根绝其大小、形状及清晰度可以在很大程度上确定病情的当前阶段，帮助医生进行合理的诊疗。目前脑瘤病情的诊断结果大致可分为以下四类：水肿、坏死、发展以及不发展。然而，一方面，各类病理情况在肉眼看来区别较小，且因为病人生理特征的不同，往往不同人之间差别较大，因此凭经验的判断往往在详细的病理情况上成功率较低；另一方面，MRI图像每次呈现的图片较多，而真正能体现病理情况的图像却占极少数，在能够体现病理情况的图像之中，能够准确判断病灶的不同区域的更是占极少数。因此，基于医生经验或是传统模式识别方法的病理检测对病情的判断难以达到理想的检测效果。

近年来，深度学习理论被广泛应用在医学图像领域。在众多深度学习算法中，ResNet神经网络在图像分割任务中表现出色；近年来藉由三维CNN可以提取出3D图像的高层次复杂特征，有利于应用在医学图像任务当中。但是，经典的ResNet网络、CNN网络在数据量不足时容易出现过拟合问题，并且当供训练的正反样本数量差异较大时，容易导致模型过多地学习一种样本的特征并忽略另一方的特征(即不平衡学习现象)，从而影响模型的泛化性能。同时，对脑瘤检测与分割所能应用的图像由于对病人隐私的保护以及发病人数的比例极小，其能够拿来进行训练和检验的数量更是极少；不同病人发病情况不同，边界像素较为模糊，与周围正常生理特征易发生混淆，发生病灶区域漏诊或是误诊的状况。

以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

为克服脑瘤MRI图像数据量不足、边界清晰度不够高以及正反样本数目不平衡的问题，本发明提出一种基于深度神经网络的脑瘤MRI图像分割方法及系统，具有较好的检测精度和边界精度，方便进行后续诊断。

为了达到上述目的，本发明采用以下技术方案：

本发明公开了一种基于深度神经网络的脑瘤MRI图像分割方法，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。