基于深度学习的脑胶质瘤分割模型及分割方法

摘要

本发明公开了基于深度学习的脑胶质瘤分割模型及分割方法，属于脑胶质瘤分割技术领域，要解决的技术问题为如何准确的对脑胶质瘤进行分割。分割模型，包括：编码模型，包括卷积层和N个编码模块，编码模型包括空洞密集单元以及位于空洞密集单元输出端的池化层；解码模块，解码模块包括依次连接的首端解码模块、中间解码模块和末端解码模块；首端解码模块的输出端通过跳跃连接层与末端编码模块中空洞密集单元的输出端跳跃连接；每个中间解码模块的输出端通过跳跃连接层和与其对应的中间编码模块中空洞密集单元的输出端跳跃连接；末端解码模块包括依次连接的卷积层、空洞密集单元和卷积层，末端解码模块位于其上一个解码模块相关跳跃层的输出端。

说明书

技术领域

本发明涉及脑胶质瘤分割技术领域，具体地说是基于深度学习的脑胶质瘤分割模型及分割方法。

背景技术

在当今的社会中，人们也越来越关注自身的生活条件与医疗条件，健康也成为人们生活中非常关注的话题，因此医学必须不断发展，作为医生诊断和治疗重要手段的医学影像也必须得到相应的发展。现今，医学图像在医疗诊断中起着不可低估的重要作用。

在医学图像中有核磁共振扫描(MRI)和计算机断层扫描(CT)等，医学图像分割在医学研究、病情分析、手术计划中有着广泛的应用于研究价值。智能分割脑胶质瘤对疾病诊断和临床决策具有重要意义。

脑瘤的大小和形状不规则、位置不确定、边界模糊，基于核磁共振的自动分割脑胶质瘤是一项具有挑战性的任务。在临床中，脑胶质瘤的诊断通常是由专家手动分割的，这既浪费时间而且难度很高，脑胶质瘤的分离是临床治疗的关键。

如何准确的对脑胶质瘤进行分割，是需要解决的技术问题。

发明内容

本发明的技术任务是针对以上不足，提供一种基于深度学习的脑胶质瘤分割模型及分割方法，来解决如何准确的对脑胶质瘤进行分割的问题。

第一方面，本发明提供一种基于深度学习的脑胶质瘤分割模型，包括：

编码模型，所述编码模型包括卷积层和N个编码模块，所示卷积层用于提取特征，所述编码模块包括依次连接的空洞密集单元和池化层，所示空洞密集单元用于通过扩大感受野和加快信息流动来提取特征，上述N个编码模块依次连接并位于卷积层的输出端，位于传输末端的编码模块为末端编码模块，其它编码模块为中间编码模块，N大于等于3；

解码模块，所述解码模块包括依次连接的首端解码模块、中间解码模块和末端解码模块；

所述首端解码模块包括依次连接的空洞密集单元和上采样卷积层，所述首端解码模块位于末端编码模块的输出端，且首端解码模块的输出端通过跳跃连接层与末端编码模块中空洞密集单元的输出端跳跃连接；

所述中间解码模块共N-2个，上述中间解码模块与中间编码模块一一对应，每个中间解码模块均包括依次连接的卷积层、空间密集单元和上采样卷积层，每个中间解码模块的输出端通过跳跃连接层和与其对应的中间编码模块中空洞密集单元的输出端跳跃连接，且每个中间解码模块均连接于其上一个解码模块相关跳跃连接层的输出端；

所述末端解码模块包括依次连接的卷积层、空洞密集单元和卷积层，所述末端解码模块位于其上一个解码模块相关跳跃层的输出端。

作为优选，所述空洞密集单元由空洞卷积层和密集层连接组成，用于通过扩大感受野和加快信息流动来提取特征。

作为优选，所述每个空洞密集单元均增加有膨胀率。

第二方面，本发明提供一种基于深度学习的脑胶质瘤分割方法，包括如下步骤：

获取多种三维的核磁共振图像作为输入图像，所述核磁共振图像上包括多种MRI模态和专家标注的脑胶质区域；

对上述输入图像进行归一化处理，使得输入图像符合正态分布；

构建如第一方面任一项所述的基于深度学习的脑胶质瘤分割模型；

基于归一化处理后的输入图像，对所述脑胶质瘤分割模型进行训练，得到训练后脑胶质瘤分割模型；

获取待检测的核磁共振图像作为测试图像，所述核磁共振图像上包括多种MRI模态和专家标注的脑胶质区域；

对上述测试图像进行归一化处理，使得测试图像符合正态分布；

对于上述测试图像，通过训练后脑胶质瘤分割模型进行分割处理。

作为优选，对归一化处理后的输入图像进行尺寸剪裁，基于尺寸剪裁后的输入图像，对所述脑胶质瘤分割模型进行训练，得到训练后脑胶质瘤分割模型；

对上述归一化处理后的测试图像进行尺寸剪裁，基于尺寸剪裁后的测试图像，通过训练后脑胶质瘤分割模型进行分割处理。

本发明的基于深度学习的脑胶质瘤分割模型及分割方法具有以下优点：

1、编码模块和解码模块均包括空洞密集单元，通过空洞密集单元该模型能够提取多尺度感受野的特征，并能够提高特征提取的能力，提高分割效果；

2、空洞卷积扩展了接受域以捕获上下文信息，密集的连接使梯度信息流最大化，使网络能够更好地学习图像的表示；

3、空洞密集单元使用跳跃连接层连接到相应的解码模块，这些跳跃连接层改善模型了中的信息流。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

下面结合附图对本发明进一步说明。

图1为实施例1基于深度学习的脑胶质瘤分割模型的结构示意图；

图2为实施例1基于深度学习的脑胶质瘤分割模型中空洞密集单元的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。

本发明实施例提供基于深度学习的脑胶质瘤分割模型及分割方法，用于解决如何准确的对脑胶质瘤进行分割的技术问题。

实施例1：

本发明的一种基于深度学习的脑胶质瘤分割模型，包括编码模型和解码模型，编码模型包括卷积层和N个编码模块，上述编码包括包括空洞密集单元以及位于空洞密集单元输出端的池化层，上述N个编码模块依次连接并位于卷积层的输出端，位于传输末端的编码模块为末端编码模块，其它编码模块为中间编码模块，N大于等于3；解码模块包括依次连接的首端解码模块、中间解码模块和末端解码模块；首端解码模块包括依次连接的空洞密集单元和上采样卷积层，首端解码模块位于末端编码模块的输出端，且首端解码模块的输出端通过跳跃连接层与末端编码模块中空洞密集单元的输出端跳跃连接；中间解码模块共N-2个，上述中间解码模块与中间编码模块一一对应，每个中间解码模块均包括依次连接的卷积层、空间密集单元和上采样卷积层，每个中间解码模块的输出端通过跳跃连接层和与其对应的中间编码模块中空洞密集单元的输出端跳跃连接，且每个中间解码模块均连接于其上一个解码模块相关跳跃连接层的输出端；末端解码模块包括依次连接的卷积层、空洞密集单元和卷积层，末端解码模块位于其上一个解码模块相关跳跃层的输出端。

本实施例中，共有三个编码模块，其中卷积层为3*3的卷积层，用于提取输入图像中的有效特征；空洞密集单元添加在网络中为了更好的促进梯度流动，并且在扩大感受野的同时使网络可以学习到更好的图像的特征表示；池化层为2*2的最大池化层，使图像减小到原来图像的一半。

解码模块共四个，其中上采样卷积层为2*2的上采样卷积层，将图像逐步还原到原始图像大小；空洞密集单元使得解码模块能够提取多尺度感受野的特征，并能够提高特征提取的能力，提高分割效果。

本实施例中，空洞密集单元由空洞卷积和密集连接构成，空洞密集单元通过扩大感受野和加快信息流动来提取特征，密集连接进一步改善了层与层之间的信息流动，在不降低图像分辨率和不引入额外参数和计算方法的情况下，扩大了感受野，本实施例对每个空洞密集单元都增加一个膨胀率；每个卷积块的核大小都是3×3×3，每个空洞密集单元的膨胀率为{1,2,4,8}。空洞卷积扩展了接受域以捕获上下文信息，密集的连接使梯度信息流最大化，使网络能够更好地学习图像的表示。

本实施例脑胶质瘤分割模型中，每个编码模块的空洞密集单元都使用跳跃连接层连接到相应的解码模块，这些跳跃连接促进了模型中的梯度流动以及编码模块与解码模块的信息传输。该模型能够提取多尺度特征并融合高层语义信息，使该网络对3D脑胶质瘤图像具有更好的特征提取能力。

实施例2：

本发明的基于深度学习的脑胶质瘤分割方法，包括如下步骤：

S100、获取多种三维的核磁共振图像作为输入图像，上述核磁共振图像上包括多种MRI模态和专家标注的脑胶质区域；

S200、对上述输入图像进行归一化处理，使得输入图像符合正态分布；

S300、构建实施例1公开的基于深度学习的脑胶质瘤分割模型；

S400、基于归一化处理后的输入图像，对上上述脑胶质瘤分割模型进行训练，得到训练后脑胶质瘤分割模型；

S500、获取待检测的核磁共振图像作为测试图像，所述核磁共振图像上包括多种MRI模态和专家标注的脑胶质区域；

S600、对上述测试图像进行归一化处理，使得测试图像符合正态分布；

S700、对于上述测试图像，通过训练后脑胶质瘤分割模型进行分割处理。

在本实施例中，实验数据采用了MICCAI提供的含专家标注的脑胶质瘤的公共数据集BraTS(multimodal brain tumor segmentation challenge)，每个病人的图像都包括的4种MRI模态和专家标注的脑胶质瘤区域，图像进行归一化处理，使得输入图像符合正态分布，即图像均值为0,标准差为1。归一化后的图像稳定性更强并且可加快网络收敛。

作为改进，由于原始图像较大，显存和内存等硬件资源有限，因此对归一化处理后的输入图像进行尺寸剪裁，将其切分为128×128×128，基于尺寸剪裁后的输入图像，对所述脑胶质瘤分割模型进行训练，得到训练后脑胶质瘤分割模型；对应的，对上述归一化处理后的测试图像进行尺寸剪裁，将其切分为128×128×128，基于尺寸剪裁后的测试图像，通过训练后脑胶质瘤分割模型进行分割处理。

上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。