[发明专利]一种基于深度神经网络的脑转移瘤分割系统及其构建方法

权利要求书

1.一种基于深度神经网络的脑转移瘤分割系统，其特征在于，包括数据预处理模块、模型构建模块及模型训练模块；

所述数据预处理模块对脑部MRI图像数据进行脑部区域提取以消除MRI图像数据中的无关因素；使用精确直方图匹配算法进行处理脑部MRI图像以避免不同的来源数据间存在的差异；使用数据增广的方法扩充训练样本的多样性；

所述模型构建模块用于通过设计的深度神经网络模型从输入MRI图像数据中提取抽象特征；模型训练模块用于在构建完深度神经网络模型后，对模型构建模块中构建的模型进行训练，找到一组合适的权值，使得深度神经网络模型对目标函数最小；

所述模型构建模块设计的深度神经网络模型包括编码模块、融合模块、解码模块三个模块；

所述编码模块的编码器由一系列的下采样模块构成，下采样模块之间使用2x2最大池化层连接，池化层用于提取MRI图像数据的特征，同时每个下采样模块都与同级和下级的特征融合模块之间存在特征图的传输，使多层次特征能够得到很好的融合；

所述融合模块包括多个特征融合模块，特征融合模块是由五个卷积模块构成，卷积模块与卷积模块之间存在着捷径连接，从上往下每一级卷积模块都存在着与多个下级卷积模块的捷径连接；特征融合模块至少有一个外部输入；

所述解码模块用于将特征恢复到原始输入的大小，并在像素级为输入图像进行归类；解码模块的上采样模块包括三个卷积模块串联而成，上采样模块间是由多个向上取样层连接成，解码模块的输入来自特征融合模块融合的多层次特征，从而使模型收敛；

所述数据预处理模块还用于对MRI图像数据进行对比度统一、精确直方图匹配算法处理：其中对比度统一的具体方法包括：首先通过计算标准图像与输入MRI图像数据的累计直方图，然后通过S找到两个累计直方图距离最近的点来获得每个灰度级之间的映射关系，计算公式如下：

其中，S是指标准图像与输入MRI图像在对比度统一后的累计直方图，T(r)为输入MRI图像数据r的累计直方图，L为256，p_r(w)指的是MRI图像数据r的概率密度分布函数，w为MRI图像数据r的灰度值，G(z)为输入MRI图像数据z的累计直方图，p_z(t)指的是MRI图像数据z的概率密度分布函数，t为MRI图像数据z的灰度值，z(x)指的是MRI图像数据z和MRI图像数据x的之间像素的映射，z(x)要使得T(r)与G(z)之间的差值最小化；

其次，为了将同一个灰度级的像素点区分开来，精确直方图匹配算法使用向量运算符φ＝{φ₁，φ₂，φ₃，φ₄，φ₅，φ₆}来代替单纯使用每个像素点的像素值作为排序的标准；向量运算符是通过某一种核来把一个像素点周围的点都纳入到计算，来获得一个新的值来代表该像素点，在不改变像素点原来相对排序关系的基础上，通过不断增加向量运算符核的大小，最终可以获得一个所有像素点都能互相区别的排序关系，具体核定义如下：

Φ₁＝[1]

2.根据权利要求1所述的一种基于深度神经网络的脑转移瘤分割系统，其特征在于，所述编码器的下采样模块是由一个1x1卷积层加三个空洞卷积层构成的，最后输出是由三个空洞卷积层的输出合并而成。

3.一种如权利要求1-2中任一所述的基于深度神经网络的脑转移瘤分割系统的构建方法，其特征在于，包括如下步骤：

步骤1：数据预处理：包括脑部区域提取、对比度统一及数据增广；

步骤2：模型构建：包括构建编码模块、构建融合模块及构建解码模块；

步骤3：模型训练：包括前向计算、权值更新及模型测试。