[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

说明书

本发明公开了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，涉及图像分割领域，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用于消除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用于避免不同的来源数据间存在的差异，使用数据增广的方法来获取一个更加鲁棒的模型构建模块；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。相对于现有技术本发明提供了一种比较成熟的脑转移瘤靶区自动勾画系统。

技术领域

本发明涉及图像分割领域，具体的涉及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。

背景技术

脑转移瘤是原发于中枢神经系统以外，通过不同途径播散进入脑组织的肿瘤，是目前成人最常见的颅内肿瘤，是全身性肿瘤致残致死的主要原因。其发病率正随着全身肿瘤治疗的进展和肿瘤总生存期的延长而不断增长。全脑放射治疗(WBRT)来是治疗脑转移瘤的主要手段之一，降低脑转移瘤的死亡率，改善了生存质量，但其显著的降低患者神经认知功能。近年来，越来越多的证据支持使用立体定向放射外科(SRS)，外科(SRS)作为单一疗法得到了广泛的应用，且神经认知副作用最少。全脑放疗(WBRT)通常只适用于非常弥漫性疾病或没有可靠的全身药物的软脑膜病变。

立体定向放射外科(SRS)是应用离子射线通过精确靶点照射来治疗颅内疾病的一种无创不开颅的治疗方法。患者在接受SRS治疗之前，需拍摄磁共振图像（MagneticResonance Imaging, MRI），再由专业医生精确勾画出患者的靶区，实现摧毁癌细胞的同时，尽可能减少正常组织或器官受到的辐射影响。靶区指肿瘤所在区域和潜在的受侵组织，基于患者的MRI影像，准确勾画出患者靶区的边界，这一过程在伽玛刀治疗中称为靶区勾画。靶区勾画是放疗的关键一步，靶区勾画范围太大将使正常器官受到辐射影响，而勾画范围过小将无法实现癌症的有效治疗。但是目前暂未有比较成熟的脑转移瘤靶区自动勾画系统。

发明内容

本发明的目的在于：针对上述存在的问题，本发明提供了一种基于深度神经网络自动分割MRI上脑转移瘤靶区，提供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。

本发明采用的技术方案如下：

一种基于深度神经网络的脑转移瘤分割系统，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，来获取一个更加鲁棒的模型构建模块；

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，并根据提取到的抽象特征进行预测；

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。

其中，神经网络由神经元以及神经元之间的连接组成，神经网络分为输入层、隐藏层和输出层。而深度神经网络通过多个隐藏层从输入图像中提取抽象特征，并由输出层根据提取到的特征进行预测。深度神经网络与浅层神经网络相比，“深度”体现在隐层数量更多，连接方式更加灵活和复杂，具有更强大的非线性表达能力，能从输入图像中提取到更本质特征，从而实现更高精度的预测。

优选地，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；