[发明专利]一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法

摘要

本发明是一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法。主要包括以下内容首先对图像进行预处理，然后利用多模态成像原理，实现对非正常脑组织区域的多分类。医学图像分析是计算机辅助诊断中重要的一步，是结合医学影像、图像处理、数学建模、人工智能等多种学科的交叉领域。Mha是一种三维医学图像，能够准确描述大脑的解刨结构，主要应用于医学图像分析领域，对脑肿瘤诊断辅助治疗具有重要的意义。

主权项

本发明是一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法。主要包括以下内容：首先对图像进行预处理，然后利用多模态成像原理，实现对非正常脑组织区域的多分类。技术方案如下：步骤一：将非正常脑组织成像数据mha进行切片，得到二维bmp图像。步骤二：将得到的二维图像进行预处理，提高病变区域和非病变区域的对比度，然后对图像进行归一化处理。步骤三：分别对flair,T1,T2,T1c图像中的点提取一个15×15的图像块，将图像块进行堆叠成为一个4×15×15的矩阵。将每个图像块的灰度转换为一个4×225维的向量，依次排列形成输入矩阵；。步骤四：同时设立四个SAE(堆叠降噪自动编码器)网络。步骤五：对每一个SAE深度学习网络，设定SAE深度学习网络的隐层节点数，将矩阵作为输入，进行预训练，获取最初的网络参数；步骤六：在网络的顶部增加一个输出层，利用带标签的数据对网络参数进行微调得到最终的参数；步骤七：使用得到的参数初始化一个新的分类网络，对需要测试的图像，为其提取同样大小的图像块，并形成同样的灰度矩阵，把这个灰度矩阵输入到分类网络中，得到最初的分类结果。步骤八：分别从四个SAE网络中获取病变区域的分类，将结果映射到一个与原图大小相同的空白图像上面。步骤九：使用连通分量的方法对图像进行后处理，限定分割图像的连通数。步骤十：使用开运算和闭运算对分割后的图像边缘进行平滑处理。