一种基于卷积神经网络的脑肿瘤图像分割方法

摘要

本发明公开了一种基于卷积神经网络的脑肿瘤图像分割方法，首先获取3D大脑图像，对3D大脑图像进行切片边界裁剪和识别删除无肿瘤切片得到训练集和测试集；然后利用处理得到的训练集训练卷积神经网络模型，其中采用的卷积神经网络模型基于Unet网络，包括归一层、下采样阶段、上采样阶段和激活层，其中包括了并行的深度卷积路径和标准卷积路径，最终利用训练完成的卷积神经网络模型处理测试集，将得到的特征图输入到后处理模块中进行检测，得到脑肿瘤图像分割结果。本发明在保证了脑肿瘤分割的精度的前提下，通过前处理和网络结构优化等手段，减少了卷积神经网络系统的计算量。

说明书

技术领域

本发明属于医学图像处理领域，具体涉及一种基于卷积神经网络的脑肿瘤图像分割方法。

背景技术

脑肿瘤给人类健康带来了严重的问题，尤其在儿童易患的恶性病变中，脑肿瘤仅次于白血病。对于脑肿瘤，不论其形式是良性还是恶性，都会使颅内压升高，压迫脑组织，导致中枢神经受损，危害患者生命。

脑肿瘤病变组织的定位以及量化计算(如计算肿瘤的体积、直径等)对于脑肿瘤的诊断、制定治疗计划、疗效监测等都非常重要，因此，脑肿瘤自动分割技术对于脑肿瘤的辅助治疗具有十分重要的意义。

现有技术中主要是应用磁共振脑肿瘤分割方法主要基于图像处理、计算机图形学和传统人工智能等领域模型和方法构建，主要包括基于阈值的方法、基于区域的方法等。然后，现有脑肿瘤分割方法虽然保证了脑肿瘤分割的精度，但是需要更多的计算资源。

发明内容

为了解决现有技术的上述问题，本发明提供一种基于卷积神经网络的脑肿瘤图像分割方法，在保证了对大脑图像进行脑肿瘤图像分割保持一定精度的前提下，极大的减少了卷积神经网络系统的计算量。本发明的技术方案如下：

一种基于卷积神经网络的脑肿瘤图像分割方法，所述的方法包括：

S1、获取3D大脑图像，对所述的3D大脑图像进行预处理，得到训练集和测试集；其中所述的预处理操作包括对获取得到的FLAIR、T1、T1c和T2四个模态的3D大脑图像切片进行切片边界裁剪和识别删除无肿瘤切片；

S2、利用预处理得到的训练集训练卷积神经网络模型；

其中，所述的卷积神经网络模型基于Unet网络，包括归一层、下采样阶段、上采样阶段和激活层：

所述的归一层对预处理得到的四个模态的3D大脑图像切片进行归一化，将归一化后的大脑图像切片输入到下采样阶段中；

所述的下采样阶段包括4个卷积层，其中第1、2层包括并行的深度卷积路径和标准卷积路径；第3层对所述两种路径的结合进行卷积操作；第4层对第3层的结果进行卷积后进行上采样，相邻的两个下采样层进行最大池化操作；

所述的上采样阶段包括3个反卷积层，其中第2个反卷积层的输入包括了第1个反卷积层的输出与下采样阶段中第2个卷积层中深度卷积路径和标准卷积路径的输出加权拼接；第3个反卷积层的输入包括了第2个反卷积层的输出与下采样阶段中第1个卷积层中深度卷积路径和标准卷积路径的输出加权拼接；

所述的激活层使用softmax函数对上采样阶段的输出进行激活；

S3、将预处理得到的测试集数据输入到训练完成的卷积神经网络模型中，将得到的特征图输入到后处理模块中进行检测，得到检测完成的脑肿瘤图像分割结果；所述的后处理模块包括根据特征图中连续肿瘤切片的数量来确定假阳性切片。

进一步地，所述的FLAIR、T1、T1c和T2四个模态的3D大脑图像切片经过预处理操作后大小相同。

本发明的有益效果在于：在保证了对大脑图像进行脑肿瘤图像分割保持一定精度的前提下，通过前处理和网络结构优化等手段，极大的减少了卷积神经网络系统的计算量。

附图说明

图1是本发明脑肿瘤图像分割方法流程示意图；

图2是本发明卷积神经网络模型结构图。

具体实施方式

下面结合附图和实施例，对本发明技术方案作进一步描述：

本实施例中提供了一种基于卷积神经网络的脑肿瘤图像分割方法，如图1所示，包括：

步骤1、获取3D大脑图像，在本实施例中每个患者包括FLAIR、T1、T1c和T2四个模态的3D大脑图像，每个3D图像的大小为240×240×155。

在获取了3D大脑图像后，首先进行预处理操作中边界裁剪，即多余边缘的检测与去除：在3D大脑图像的每一个切片中，由于每一侧都有很宽的边界，脑区域仅占空间的一小部分，因此通过检测大脑图像切片中大脑区域上下左右顶点距离边界的距离，并根据检测到的所有切片中最小的四个边界距离，对所有切片进行裁剪，保证了在保证大脑区域完整性的条件下，实现最大程度的剪切，去除多余边缘后的切片尺寸为168×200像素；

然后进行预处理操作中无肿瘤切片的检测与去除，具体包括3种检测手段：

(1)在每个3D图像切片序列中，位于序列两端的切片中很少具有肿瘤区域，通过背景像素确定无肿瘤切片；

(2)健康的大脑具有左右对称的特点，这在大脑图像中反映为上下对称，通过检测大脑区域中像素数据的高度上下对称性来确定无肿瘤切片；

(3)由于在采集过程中有一定概率采集到显示不完整的大脑图像切片，因为这类切片位于很难发现肿瘤的区域，并且数据不完整，所以去除此类切片数据，这类切片具有大脑轮廓的上半部分和下半部分显著不对称的特点，所以应用计算轮廓的对称度识别出此类切片。

在本实施例中采用结构相似性(SSIM)来评估图像的不对称性，并根据上述3钟方法检测到的每个模态无肿瘤切片在13-43个，并将识别的大脑图像切片进行删除，通过预处理中多余边缘与无肿瘤切片的检测与删除，可以实现50％以上数据量的减少；并将有效数据分为训练集与测试集。

步骤2、利用得到的训练集训练卷积神经网络模型；如图2所示，卷积神经网络模型基于Unet网络，包括归一层、下采样阶段、上采样阶段和激活层：

FLAIR、T1、T1c和T2四个模态的3D大脑图像是不同区域侧重点进行确定，归一层对预处理得到的四个模态的3D大脑图像切片进行通道维度归一化，将分辨率为168×200的图像切片输入到下采样阶段中；

下采样阶段包括4个卷积层，其中第1、2层包括并行的深度卷积路径和标准卷积路径，其中深度卷积路径中包括四个3×3的核，并且它们中每一个都应用于各个2D切片，以生成特定特征的2D特征图，第3层对所述两种路径的结合进行卷积操作，前3个卷积层执行特征提取，第4层检测肿瘤区域，相邻的两个下采样层进行最大池化操作；。

通过上采样阶段将特征图的大小还原成输入切片的大小，上采样阶段包括3个反卷积层(卷积层5、6、7)，其中下采样阶段中深度卷积路径和标准卷积路径通过可训练系数加权拼接到反卷积层，使得肿瘤区域的特征数据增强，具体第2个反卷积层的输入包括了第1个反卷积层的输出和下采样阶段中第2个卷积层中深度卷积路径和标准卷积路径的输出加权拼接；第3个反卷积层的输入包括了第2个反卷积层的输出和下采样阶段中第1个卷积层中深度卷积路径和标准卷积路径的输出加权拼接。

最后使用softmax函数对上采样阶段的输出进行激活；在本实施例中模型训练选择批量大小为100，训练设置50个周期后完成，损失函数选择为交叉熵，优化器选择为Adam(自适应矩估计)，初始学习率选择为0.1.。

步骤3、将预处理得到的测试集数据输入到训练完成的卷积神经网络模型中，将得到的特征图输入到后处理模块中进行检测，由于可检测到的肿瘤厚度至少是大脑直径的1/20，设置肿瘤区域至少存在于6个连续的切片中，但肿瘤区域出现在少于6个连续的切片中，则将其中的肿瘤区域认定为非肿瘤像素，将具有非肿瘤像素的切片认定为假阳性切片，并将最终去除假阳性切片的脑肿瘤图像分割结果进行输出。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权力要求的保护范围。