[发明专利]一种基于轻量级UNet++网络的脑肿瘤分割算法

权利要求书

1.一种基于UNet++网络模型改进的轻量化脑肿瘤分割算法，其特征在于，包括以下步骤：

Step 1：数据预处理，将脑肿瘤核磁共振图像构成的数据集根据需求改为网络可训练的大小；

Step 2：建立轻量化3D UNet++网络模型，在模型中应用轻量级类残差模块、轻量级残差模块和CBAM注意力机制；

Step 3：使用轻量化3D UNet++网络模型进行训练，获取脑肿瘤图像分割结果。

2.根据权利要求1所述的一种基于UNet++网络模型改进的轻量化脑肿瘤分割算法，其特征在于，所述Step 1中的具体过程如下：

Step1.1将输入脑肿瘤核磁共振图像数据进行交叉分块处理；

Step1.2对数据采用极值抑制后进标准化处理，标准化采用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；

Step1.3对脑肿瘤核磁共振图像图像进行剪裁至合适尺度，去除无效区域；

Step1.4切块拼接，在一个新的维度将四个模态相同位置的32×160×160像素块进行拼接，得到4×32×160×160的像素块作为网络的最终输入。将患者的专家标注的脑肿瘤图像交叉分块，从155×160×160大小的图像分成7份32×160×160大小的图像块(不够分的部分利用背景图进行填充)，连续两块交叉通道数为8。将每份32×160×160大小的图像块复制三份分别进行以下操作。将增强型肿瘤、肿瘤周围水肿和非增强性肿瘤置为1，其余为背景0。将增强型肿瘤和非增强性肿瘤置为1，其余为背景0。将增强型肿瘤置为1，其余为背景0。通过以上操作得到三个大小为32×160×160的图像块，在新维度对三个像素块进行连接操作，得到大小为3×32×160×160的图像块，最后将得到的图像块作为整个网络的标签；

Step1.5数据增强，采用随机裁剪和随机旋转、缩放、平移以及错切等仿射变换方法，对脑肿瘤图像进行数据增强。

3.根据权利要求1所述的一种基于UNet++网络模型改进的轻量化脑肿瘤分割算法，其特征在于，所述Step 2中的具体过程如下：

Step2.1在3D UNet++网络应用轻量级类残差模块和轻量级残差模块构成脑肿瘤分割网络模型；

Step2.1.1构建的网络模型使用3次下采样和6次上采样，采用轻量级残差模块代替UNet++系列双层卷积结构，直接替代虽然能够使网络达到轻量化目的，但是相对于原始双层卷积结构，残差结构只使用一次卷积核大小为3的卷积层，其余都由卷积核大小为1的卷积核替代，导致特征提取不充分，可能导致分割精度下降，在改进过程再添加CBAM注意力机制，并应用于U型结构的最外层上采样后通道域拼接得到的特征图，此时特征图是一系列长短连接得到的虽然此时由于一系列的长短连接，特征图语义鸿沟已经相对较小，但是由于多次拼接导致此时通道数较大，而有些通道的特征对于分割任务来说并没有实际意义，从而用CBAM注意力模块学习筛选参数，关注有用信息，提升网络分割精度，同时在最后一次下采样中应用轻量级类残差模块，因为输出特征图经过卷积特征提取后与输入特征图两者存在一定的语义鸿沟，通过轻量级类残差模块的通道拼接可以更好的保存和利用深层有效特征，进一步提高脑肿瘤分割精度；

实现轻量化类残差模块的具体过程：

在进行卷积特征提取时，深层特征信息的损失大于浅层卷积特征提取，在深层网络中应用类残差模块可以减少特征信息损失。原类残差模块首先在主分支使用1×1的卷积进行通道域扩充，将通道域扩充为原来的2.5倍，然后使用3×3的卷积进行特征提取，最后使用1×1的卷积进行通道域信息融合。输入在经过shortcut分支后不是特征图像素点的叠加，而是通道域的拼接，用这种方式是为了充分利用卷积前和卷积后各特征图；

轻量级类残差模块在保留原类残差模块分割精度优势的同时进一步轻量化，将原本卷积核大小为3的普通卷积改为分组卷积来保留其结构，分组数为卷积核为3的卷积输入通道数。接着为了解决通道域信息无法交互问题，在模块进行通道域拼接后采用卷积核为1的卷积进行通道间信息交互，同时将通道域进行缩减，从而达到减少网络参数和计算量的目的。轻量级类残差模块可以表示为：

x_m+1＝Cat(x_m，F(x_m；W_m))

其中x_m为直接映射部分，F(x_m；W_m)为残差部分，Cat为特征图通道域拼接；

实现轻量化残差模块的具体过程：

轻量化残差模块将输入通道数利用卷积核为1的卷积变为原来的1/4，再使用卷积核为3的卷积进行特征提取，最后再用卷积核为1的卷积将通道数扩大为原始输入通道数的2倍，从而达到减少网络参数和计算量的目的；

轻量级残差模块可表示为：

x_l+1＝x_l+F(x_l；W_l)

其中x_l为直接映射部分，F(x_l；W_l)为残差部分；

Step2.2在训练过程中，为了减少类别不平衡问题对分割准确率的影响,训练采用二分类的交叉熵(binary_cross_entropy)和医学影像损失Dice Loss组合而成混合损失函数BCEDiceLoss；

计算二分类的交叉熵的具体过程：

首先对模型训练的输出进行判断，因医生标注的脑肿瘤分割图片被预处理，目标区域标记为1，非目标区域标记为0，所以判断损失输入为二分类问题，网络模型的训练输出，每一个点即为一个结点，对这个结点是否大于0.5进行判决分类；

计算交叉熵的具体过程：

L(p,t)＝[-plog(t)+(1-p)log(1-t)]

p为预处理后的医生标注分割图片期望输出，t为实际网络模型训练的输出；

计算医学影像损失Dice Loss的具体过程：

首先了解Dice系数的定义，Dice系数是用来度量集合相似度的度量函数，通常用于计算两个样本的相似度，最后s的取值范围在[0,1]：

X表示分割图像，Y代表的是预测的分割图像，其中|X∩Y|是X和Y之间的交集，分子中系数2是因为分母中重复计算X和Y；

Dice Loss公式定义为：

在Dice Loss中添加拉普拉斯平滑(Laplace smoothing)，由于是一个改动值，这里将值定义为1e-5，即在Dice Loss的分子分母全部加1e-5：

拉普拉斯平滑可以减少过拟合，避免当|X|和|Y|都为0时，分子被0除的问题；

最终混合损失定义为：

综上在使用混合损失函数BCEDiceLoss后，提高网络模型的性能，保证了Dice系数的精度，减小了模型分割结果与专家勾勒结果的误差，提高的分割精度；

Step2.3在上面的网络模型后再加入一次3D卷积，使通道数变为3，使输出与处理后的医生标注图片一致。

4.根据权利要求1所述的一种基于UNet++网络模型改进的轻量化脑肿瘤分割算法，其特征在于，所述Step 3中的具体过程如下：

Step3.1使用轻量化3D UNet++网络模型进行训练，获取脑肿瘤图像分割结果，再将分割结果进行一次sigmoid，判断分割结果是否大于0.5，并将结果变为0和1，进行拼接，再根据三通道定义还原成单通道，即得到脑肿瘤分割结果图。