基于深度学习的脑肿瘤分割质量评估方法、设备及介质技术

本发明专利技术公开了基于深度学习的脑肿瘤分割质量评估方法、设备及介质，方法：收集MRI影像并预处理，人工对其中病灶分割获取MRI影像的分割金标准；以MRI影像和对应分割金标准训练分割模型；以分割模型对MRI影像的概率输出为输入，二值化分割结果与分割金标准的差值为输出，训练分割错误预测模型；将MRI影像、分割模型对MRI影像的二值化分割结果、分割错误预测模型对MRI影像的不确定性预测图谱，在通道方向拼接并作为输入，MRI影像的二值化分割结果与分割金标准的骰子相似性系数为输出，训练分割质量评估网络；最终用训练好的模型获得脑肿瘤分割结果、像素级的分割错误预测图谱及图像级的质量预测结果，提供分割质量评估参考。提供分割质量评估参考。提供分割质量评估参考。

【技术实现步骤摘要】
基于深度学习的脑肿瘤分割质量评估方法、设备及介质


[0001]本专利技术属于医疗信息
，具体涉及一种基于深度学习的脑肿瘤分割质量评估方法、设备及介质。

技术介绍

[0002]近年来深度学习技术在疾病诊断、病灶分割等医疗影像分析领域取得了极大进展，然而，受数据噪声、感官噪声以及非最优超参数设置等诸多因素影响，深度学习模型给出的预测结果并不总是可靠的。病灶分割往往是整个分析流程的中间部分，不准确的分割结果会对后续分析产生偏差，从而影响最终结果，尤其是脑肿瘤分割，对疾病的诊断、监测和治疗都是十分必要的。对于利用深度学习技术进行脑肿瘤分割得到的分割结果，目前无法定量评估其好坏，且分割结果的不确定性使得到利用深度学习技术进行脑肿瘤分割难以落地临床。因此，有必要对脑肿瘤分割结果进行质量评估，根据评估结果决定是否需对分割结果进行人工干预，以实现辅助诊断全流程自动化。

技术实现思路

[0003]本专利技术提供一种基于深度学习的脑肿瘤分割质量评估方法、设备及介质，能对脑部MRI影像进行区域分割，并量化分割的不确定性，避免由模型分割不准确而导致的结果错误，为后续分析流程提供质量保证。
[0004]为实现上述技术目的，本专利技术采用如下技术方案：
[0005]一种基于深度学习的脑肿瘤分割质量评估方法，包括：
[0006]步骤1，收集脑肿瘤患者的脑部MRI影像，并对其进行预处理；
[0007]步骤2，分割脑部MRI影像中所有病灶，包括肿瘤、周围水肿和坏死三个区域，得到人工分割金标准；r/>[0008]步骤3，以预处理后的脑部MRI影像作为输入，对应的人工分割金标准作为输出，训练深度学习模型，得到病灶分割模型；
[0009]步骤4，将预处理后的脑部MRI影像输入到病灶分割模型，输出得到脑部MRI影像的病灶分割概率图；
[0010]对病灶分割概率图二值化处理，得到病灶分割的二值化结果图；
[0011]步骤5，以脑部MRI影像的病灶分割概率图作为输入，对应的人工分割金标准与二值化结果图的差值作为输出，训练深度学习网络，得到分割错误预测模型；
[0012]步骤6，将脑部MRI影像的病灶分割概率图输入到分割错误预测模型，输出得到分割不确定性预测图谱；
[0013]将预处理后的脑部MRI影像与步骤4对应得到的病灶分割的二值化结果图及本步骤6对应得到的分割不确定性预测图谱，在通道方向进行拼接得到拼接图；
[0014]计算人工分割金标准与二值化结果图之间的骰子相似性系数；
[0015]步骤7，以步骤6对应得到的脑部MRI影像拼接图作为输入，骰子相似性系数作为输
出，训练深度学习模型，得到分割质量评估网络；
[0016]步骤8，对于新获取得到的脑肿瘤MRI影像，按步骤1进行预处理，并使用病灶分割模型按步骤4得到病灶分割概率图和病灶分割的二值化结果图，使用分割错误预测模型按步骤6得到分割不确定性预测图谱，然后将新获取得到的脑肿瘤MRI影像及其病灶分割的二值化结果图、分割不确定性预测图谱在通道方向进行拼接，最后使用分割质量评估网络对拼接得到的拼接图进行评估，得到该脑肿瘤MRI影像与人工金标准之间的骰子相关系数，即为病灶分割模型对该脑肿瘤MRI影像的分割质量评分。
[0017]在更优的技术方案中，步骤1所述的预处理包括图像增强和数据增广。
[0018]在更优的技术方案中，病灶分割模型采用U
‑
net网络，步骤3训练病灶分割模型所采用的损失函数为类别交叉熵损失函数。
[0019]在更优的技术方案中，分割错误预测模型采用U
‑
net网络，步骤5训练分割错误预测模型所采用的损失函数为类别交叉熵损失函数。
[0020]在更优的技术方案中，分割质量评估网络采用3D VGG网络，步骤7训练分割质量评估网络所采用的损失函数为均方误差损失函数。
[0021]在更优的技术方案中，步骤3至步骤5训练分割模型和分割错误预测模型的过程，将其中的分割模型作为生成网络，分割错误预测模型作为判别网络，采用生成判别网络的方式同时对分割模型和分割错误预测模型进行训练。
[0022]在更优的技术方案中，所述脑部MRI影像包括T1、T2、T1CE和Flair这四种模态数据，其中分割网络的输入采用单张切片图像对应T1、T2、T1CE和Flair以4通道的方式输入，利用多模态影像数据信息互补，提高分割精度。
[0023]一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的基于深度学习的脑肿瘤分割质量评估方法。
[0024]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的基于深度学习的脑肿瘤分割质量评估方法。
[0025]有益效果
[0026]本专利技术利用人工智能的方法从脑部MRI影像中提取深层卷积特征，实现了脑部肿瘤的自动分割与分割结果质量的智能评估，该模型可为后续自动化辅助诊断提供高质量的分割结果，同时提供像素级的分割不确定性图谱，以及单个图像Dice系数预测值。在大规模的脑肿瘤分割任务中，可以通过设置阈值，借助模型预测的Dice系数，快速鉴别自动分割结果不准确的个例，通过这些图像的不确定性图谱，则可发现模型分割不确定的区域，再判断是否需要人工修改分割结果，保证后续分析流程高质量进行。
附图说明
[0027]图1是本申请实施例所述方法的技术路线图。
具体实施方式
[0028]下面对本专利技术的实施例作详细说明，本实施例以本专利技术的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本专利技术的技术方案作进一步解释说明。
[0029]实施例1
[0030]本实施例提供一种基于深度学习的脑肿瘤分割质量评估方法，如图1所示，包括以下步骤：
[0031]步骤1，收集脑肿瘤患者的脑部MRI影像，并对其进行预处理。
[0032]本实施例收集的脑部MRI影像包括T1CE,T1,T2和Flair四种模态的数据。从中南大学湘雅医院、湘雅二医院、湖南省儿童医院、费城儿童医院、美国布朗大学附属罗德岛医院以及美国宾夕法尼亚大学附属医院等收集数据，其中肿瘤类别包括胶质瘤、脑膜瘤、垂体瘤、脑转移瘤、淋巴瘤、颅咽管瘤、神经胶质瘤、室管膜瘤、髓母细胞瘤、少枝胶质细胞瘤、星形细胞瘤、神经鞘瘤、非典型畸胎瘤样横纹肌瘤、原发性神经外胚层肿瘤、发育异常的神经上皮肿瘤、其他脑肿瘤共5543例。
[0033]由于无法保证影像的拍摄环境、拍摄设备等条件一致，收集到的不同MRI影像之间会存在差异，因此本专利技术需要对收集到的MRI影像进行预处理，包括图像增强与数据增广，以减少这种差异对后续模型训练的影响。由于医疗影像数据的标注需要耗费大量的医疗资源，尤其是三维影像数据，因此必要的数据增广可以增加数据的多样性，增强模型的鲁棒性。
[0034]MR扫描时，偏置场本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的脑肿瘤分割质量评估方法，其特征在于，包括：步骤1，收集脑肿瘤患者的脑部MRI影像，并对其进行预处理；步骤2，分割脑部MRI影像中所有病灶，包括肿瘤、周围水肿和坏死三个区域，得到人工分割金标准；步骤3，以预处理后的脑部MRI影像作为输入，对应的人工分割金标准作为输出，训练深度学习模型，得到病灶分割模型；步骤4，将预处理后的脑部MRI影像输入到病灶分割模型，输出得到脑部MRI影像的病灶分割概率图；对病灶分割概率图二值化处理，得到病灶分割的二值化结果图；步骤5，以脑部MRI影像的病灶分割概率图作为输入，对应的人工分割金标准与二值化结果图的差值作为输出，训练深度学习网络，得到分割错误预测模型；步骤6，将脑部MRI影像的病灶分割概率图输入到分割错误预测模型，输出得到分割不确定性预测图谱；将预处理后的脑部MRI影像与步骤4对应得到的病灶分割的二值化结果图及本步骤6对应得到的分割不确定性预测图谱，在通道方向进行拼接得到拼接图；计算人工分割金标准与二值化结果图之间的骰子相似性系数；步骤7，以步骤6对应得到的脑部MRI影像拼接图作为输入，骰子相似性系数作为输出，训练深度学习模型，得到分割质量评估网络；步骤8，对于新获取得到的脑肿瘤MRI影像，按步骤1进行预处理，并使用病灶分割模型按步骤4得到病灶分割概率图和二值化结果图，使用分割错误预测模型按步骤6得到分割不确定性预测图谱，然后将新获取得到的脑肿瘤MRI影像及其病灶分割的二值化结果图、分割不确定性预测图谱在通道方向进行拼接，最后使用分割质量评估网络对拼接得到的拼接图进行评估，得到该脑肿瘤MRI影像与人工金标准之间的骰子相关系数，即为病灶分割模型...

【专利技术属性】
技术研发人员：廖伟华，胡蓉，杨利，吴静，彭健，孟舒娟，
申请(专利权)人：中南大学湘雅医院，
类型：发明
国别省市：