[发明专利]结合改进U-Net和CMF的三维脑肿瘤图像分割方法

摘要

本发明涉及一种结合改进U‑Net和CMF的三维脑肿瘤图像分割方法，包括下列步骤：1)数据预处理；2)改进的U‑Net卷积神经网络初分割：改进的U‑Net卷积神经网络包含一个用于提取特征的分析路径和一个用于恢复目标对象的合成路径；搭建好改进的U‑Net卷积神经网络模型后，利用训练集对改进的卷积神经网络模型进行训练；在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到改进的U‑Net卷积神经网络模型中，以便网络学习到不同模态的不同特征，进行更精确的分割,得到粗分割结果；3)连续最大流算法再分割。

主权项

1.一种结合改进U‑Net和CMF的三维脑肿瘤图像分割方法，包括下列步骤：1)数据预处理：对原始脑部MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理，将预处理后的图像分为训练集和测试集；2)改进的U‑Net卷积神经网络初分割：改进的U‑Net卷积神经网络包含一个用于提取特征的分析路径和一个用于恢复目标对象的合成路径，在分析路径中，随着网络的深入，不断对输入图像的抽象表示进行编码，以提取图像丰富的特征，在合成路径中，结合分析路径中的高分辨率特征，以精确定位感兴趣的目标结构；每个路径均有五个分辨率，滤波器基数即初始通道数量为8；分析路径中，每个深度均包含两个内核大小为3×3×3的卷积层，并在它们之间加入丢失层(丢失率为0.3)以防止过度拟合，相邻的两个深度之间，采用步长为2内核大小为3×3×3的卷积层进行下采样，使特征映射的分辨率降低的同时维度加倍；合成路径中，相邻两个深度之间，采用上采样模块使特征映射的分辨率增加的同时维度减半；上采样模块包括内核大小为2×2×2的上采样层和一个内核大小为3×3×3的卷积层；在上采样之后，合成路径中的特征映射与分析路径中特征映射级联，之后是一个内核大小为3×3×3的卷积层和内核大小为1×1×1的卷积层；在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量，之后通过SoftMax层输出图像中每个体素点分别属于各个类别的概率；对所有卷积层的非线性部分采用leaky ReLu激活函数；搭建好改进的U‑Net卷积神经网络模型后，利用训练集对改进的卷积神经网络模型进行训练；在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到改进的U‑Net卷积神经网络模型中，以便网络学习到不同模态的不同特征，进行更精确的分割，得到粗分割结果；3)连续最大流算法再分割：将步骤2)中得到的初分割结果作为连续最大流算法的先验，进一步细化分割图像边缘，方法如下：设Ω是一个封闭且连续的2D或3D域，s和t分别表示流的源点和汇点，在每个位置x∈Ω，p(x)表示通过x的空间流量；p，(x)表示从s到x的定向源流；p_t(x)表示从x到t的定向汇流；连续最大流模型表示为对空间域Ω上的流函数p(x)，p，(x)和p_t(x)进行约束|p(x)|≤C(x)；    (2)p_s(x)≤C_s(x)；    (3)p_t(x)≤C_t(x)；    (4)divp(x)‑p_s(x)+p_t(x)＝0，    (5)其中C(x)，C_s(x)和C_t(x)是给定的容量限制函数，divp表示在x周围局部计算总输入空间流量；连续最大流模型中，容量限制函数的表达式为C_s(x)＝D(f(x)‑f₁(x))，    (6)C_t(x)＝D(f(x)‑f₂(x))    (7)其中D(·)是惩罚函数，f(x)为待分割图像，f₁(x)和f₂(x)为根据分割区域的先验知识所设定的源点和汇点的初始值；设经过所述的初分割后的图像中，前景的集合为T集，背景的集合为F集，分别统计分割图中T集和F集的灰度信息，Tu(i)表示T集中灰度级为i‑1的像素点的个数，F_u(i)表示F集中灰度级为i‑1的像素点的个数，其中i∈[0，255]，则源点和汇点的初始值为其中m和m满足在连续最大流算法再分割过程中，参数设定为：增广拉格朗日算法的步长c＝0.35，终止参数ε＝10^‑4，最大迭代次数n＝300，时间步长t＝0.11ms；确定各参数的初值之后，按照连续最大流算法的步骤进行求解，得到最终精细分割后的图像。