[发明专利]基于改进的U-Net神经网络三维脑肿瘤图像分割方法

摘要

本发明涉及一种基于改进的U‑Net神经网络三维脑肿瘤图像分割方法，包括下列步骤：数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次对原始MRI图像中的各个模态图像分别进行灰度归一化预处理；搭建并训练改进的U‑Net卷积神经网络模型，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进行训练，以便网络学习到不同模态的不同特征，进行更精确的分割：以卷积神经网络U‑Net作为基础，建立改进的U‑Net卷积神经网络模型，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。

主权项

1.一种基于改进的U‑Net神经网络三维脑肿瘤图像分割方法，包括下列步骤：1)数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次对原始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；2)搭建并训练改进的U‑Net卷积神经网络模型，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进行训练，以便网络学习到不同模态的不同特征，进行更精确的分割：以卷积神经网络U‑Net作为基础，建立改进的U‑Net卷积神经网络模型，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，将经过上述改进的U‑Net卷积神经网络模型记作var_UNet；在合成路径中采用深度监督，将网络不同深度的分割层通过元素相加的方式进行融合以形成最终的网络输出，将添加了深度监督的网络记作DS_var_UNet；在分析路径中分别加入残差结构和密集连接结构；并将添加有此结构的网络分别记作res_UNet和dense_UNet；跳过连接采用密集跳过连接；并将添加有此连接的网络记作dense_skip_UNet；对所有卷积层的非线性部分采用leaky ReLu激活函数，采用多类Dice损失函数作为损失函数；将预处理后的图像分为训练集和测试集，利用训练集对改进的卷积神经网络模型进行训练；3)测试分割结果：当改进的U‑Net卷积神经网络模型训练好后，在测试集上测试模型，并使用相应的评价指标对分割结果进行评估。