一种基于深度学习的脑肿瘤多模态MRI影像分割方法技术

本发明专利技术的一种基于深度学习的脑肿瘤多模态MRI影像分割方法，包括：步骤1：对脑肿瘤多模态MRI影像数据集预处理，分为训练集和测试集；步骤2：构建空洞多尺度幻影模块；步骤3：构建通道注意力模块；步骤4：在空洞多尺度幻影模块和通道注意力模块的基础上建立脑肿瘤MRI影像分割深度卷积神经网络；步骤5：使用训练集训练深度卷积神经网络；步骤6：使用测试集验证所保存模型的可用性；步骤7：使用训练好的深度卷积神经网络对病患多种模态MRI影像的病灶区域进行分割处理。本发明专利技术的方法能够精确快速分割出图像中脑肿瘤整体区域，用于对脑肿瘤病灶分割系统中，网络的参数利用率较高，计算复杂度较低，具有实用意义。具有实用意义。具有实用意义。

【技术实现步骤摘要】
一种基于深度学习的脑肿瘤多模态MRI影像分割方法


[0001]本专利技术属于医学图像后处理
，涉及一种基于深度学习的脑肿瘤多模态MRI影像分割方法。

技术介绍

[0002]大脑是人类神经系统最高级部分，保证人体机能的正常运转，但同时脑疾病通常具有高致残致死率，且病症肿瘤种类繁多，复发病率高。其中，脑胶质瘤是一种比较常见且危害性较高的原发性与继发性颅脑恶性肿瘤，呈浸润性、侵袭性增长，复发风险高，且不同年龄段的人都有患病风险，约占颅内肿瘤的45％～50％。
[0003]研究表明，胶质细胞瘤中央坏死病灶被高度致密的肿瘤细胞围绕，其水肿区域内也存在大量活性较高的胶质瘤细胞。随着细胞密度继续扩增，肿瘤将发生侵袭增长。因此，明确脑肿瘤病灶的整体范围并将其分割出来是诊断过程中必不可少的一步。临床显示，遗传与后天均有可能导致脑肿瘤的病发，具有家族病史人群更应定期进行脑部医学影像检查。磁共振成像(Magnetic Resonance Imaging,MRI)及其造影剂增强模态对软组织成像敏感，且有出色的图像对比度，可以清楚地反映肿瘤的异质性以及其比例和位置等解剖结构，是大脑疾病诊断的首选医学成像方式。
[0004]随着计算机视觉技术的发展和应用，利用计算机辅助医生进行影像学的分析已经成为一支主流的研究方向，其中，利用计算机分割医学影像中的病灶区域是非常重要且有前景的任务领域之一。目前传统的分割算法大多基于区域生长、边缘检测以及SVM等机器学习方法。但这些方法由于其缺少丰富的特征信息，使得分割结果存在边界模糊，效果不佳，对噪声敏感，鲁棒性较差等问题。另外，传统方法的分割方式过于依赖手工提取及设计特征的方式，在面向多模态MRI脑肿瘤时，分割精度较低且设计过程繁琐，难以实现自动化。
[0005]深度学习近年来发展迅速，硬件设备也在不断进步。其中，卷积神经网络能够帮助计算机更好地捕获图像特征，自动探索图像数据间的内在联系，使图像的语义表征更加精确。这在省去了人工设计特征提取器的繁琐步骤的同时，也为脑肿瘤的分割提供了新的思路。由此，研究人员开始探索基于卷积神经网络的脑肿瘤分割模型，旨在利用先进算法确定病变区域。虽然，基于卷积神经网络的脑肿瘤分割算法相较于传统方式已经取得较大进展，但仍存在以下不足：
[0006](1)目前，基于卷积神经网络的脑肿瘤分割框架大多从自然图像任务中移植过来，医学图像与其相比语义信息相对简单，因此网络存在结构冗余、参数量庞大等问题，缺少实用性。
[0007](2)现有医学分割网络都是泛用型网络，着重强调针对各种医学影像的泛化性，而并未针对脑肿瘤的异质性等实际影像特点进行调整与优化，因此专用性较差。
[0008](3)医学影像存在严重的类不平衡问题，脑肿瘤MRI也不例外。然而，现有的脑肿瘤分割网络在设计上对该问题的优化还不够理想，导致其对较小目标的拟合度较差，分割精度低，用于临床应用不实际。

技术实现思路

[0009]为解决上述技术问题，本专利技术的目的是提供一种基于深度学习的脑肿瘤多模态MRI影像分割方法，大大减少了网络所需的参数量同时保证了较高的脑肿瘤分割精度。
[0010]本专利技术提供一种基于深度学习的脑肿瘤多模态MRI影像分割方法，包括：
[0011]步骤1：获取现有的脑肿瘤多模态MRI影像数据集，对脑肿瘤多模态MRI影像数据集进行预处理，并按比例分为训练集和测试集；
[0012]步骤2：构建空洞多尺度幻影模块，使用线性卷积核生成幻影特征降低网络参数量，并设置不同空洞率使模块适应不同尺度的目标，提升模块泛化性，增强特征利用率；
[0013]步骤3：构建通道注意力模块，通过自适应计算各通道特征的注意力权重，调整不同特征的利用率；
[0014]步骤4：在空洞多尺度幻影模块和通道注意力模块的基础上建立脑肿瘤MRI影像分割深度卷积神经网络，通过跨层连接设计U型结构将上下采样路径信息融合，并在高级语义信息层使用通道注意力模块提升网络性能；
[0015]步骤5：使用训练集训练深度卷积神经网络，对效果表现良好的训练模型进行筛选保存；
[0016]步骤6：使用测试集验证所保存模型的可用性；
[0017]步骤7：使用步骤6中训练完成的深度卷积神经网络对病患多种模态MRI影像中的病灶区域进行分割处理。
[0018]在本专利技术的基于深度学习的脑肿瘤多模态MRI影像分割方法中，所述步骤1包括：
[0019]步骤1.1：脑肿瘤多模态MRI影像数据集来自BraTS挑战赛2020年的数据集，提供了293位高级别胶质母细胞瘤病患的T1、T2、T1ce与FLAIR四种模态的MRI影像以及一个样本标签文件，数据集的具体数据信息采用NIFTI格式保存；使用z
‑
score法对四种模态的MRI影像的NIFTI文件进行标准化，其具体定义如式(1)：
[0020][0021]其中，x为MRI影像的像素点矩阵，μ与σ为全部像素点的均值及方差，z为z
‑
score的结果；
[0022]步骤1.2：制作通用图片格式数据集；使用ITK
‑
SNAP软件读取标准化后的NIFTI文件，对MRI影像进行切片，筛选出包含脑肿瘤病灶的脑部MRI影像，并对切片与标签进行中心裁剪，获得尺寸为160
×
160的数据结果，其次将T1和FLAIR两种模态切片图像进行结合，获得增强切片图像T1
‑
FLAIR，且保存为通用图像格式，其具体定义如式(2)：
[0023][0024]其中，t1f
ij
表示增强切片图像T1
‑
FLAIR上第i行、第j列个像素点的值，t1
ij
代表T1上第i行、第j列个像素点的值，f
ij
表示FLAIR上第i行、第j列个像素点的值；
[0025]将相应序列的T1
‑
FLAIR、T2、T1ce与FLAIR的切片图像按通道拼接后得到四通道的切片组合作为一个样本；
[0026]步骤1.3：制作标签图片，通过二值化操作将标签处理为只包含1和0的标签图像，1表示整体病灶区域，0表示背景与其它脑组织，保证原图和标签的序列一一对应，保存为通
用图像格式，完成脑肿瘤多模态MRI影像数据集的预处理；
[0027]步骤1.4：将脑肿瘤多模态MRI影像数据集按照9:1的比例划分为训练集和测试集。
[0028]在本专利技术的基于深度学习的脑肿瘤多模态MRI影像分割方法中，所述步骤2包括：
[0029]步骤2.1：对来自卷积网络上一层I通道的输出特征图使用3
×
3的标准卷积生成O通道的特征图，之后进行一次批量标准化与ReLU激活函数的运算得到内在特征图；
[0030]步骤2.2：对内在特征图进行空洞率为1的3
×
3的分组卷积得到O/2通道的特征图，之后进行一次批量标准化与ReLU激活函数的运算得到第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的脑肿瘤多模态MRI影像分割方法，其特征在于，包括：步骤1：获取现有的脑肿瘤多模态MRI影像数据集，对脑肿瘤多模态MRI影像数据集进行预处理，并按比例分为训练集和测试集；步骤2：构建空洞多尺度幻影模块，使用线性卷积核生成幻影特征降低网络参数量，并设置不同空洞率使模块适应不同尺度的目标，提升模块泛化性，增强特征利用率；步骤3：构建通道注意力模块，通过自适应计算各通道特征的注意力权重，调整不同特征的利用率；步骤4：在空洞多尺度幻影模块和通道注意力模块的基础上建立脑肿瘤MRI影像分割深度卷积神经网络，通过跨层连接设计U型结构将上下采样路径信息融合，并在高级语义信息层使用通道注意力模块提升网络性能；步骤5：使用训练集训练深度卷积神经网络，对效果表现良好的训练模型进行筛选保存；步骤6：使用测试集验证所保存模型的可用性；步骤7：使用步骤6中训练完成的深度卷积神经网络对病患多种模态MRI影像中的病灶区域进行分割处理。2.如权利要求1所述的基于深度学习的脑肿瘤多模态MRI影像分割方法，其特征在于，所述步骤1包括：步骤1.1：脑肿瘤多模态MRI影像数据集来自BraTS挑战赛2020年的数据集，提供了293位高级别胶质母细胞瘤病患的T1、T2、T1ce与FLAIR四种模态的MRI影像以及一个样本标签文件，数据集的具体数据信息采用NIFTI格式保存；使用z
‑
score法对四种模态的MRI影像的NIFTI文件进行标准化，其具体定义如式(1)：其中，x为MRI影像的像素点矩阵，μ与σ为全部像素点的均值及方差，z为z
‑
score的结果；步骤1.2：制作通用图片格式数据集；使用ITK
‑
SNAP软件读取标准化后的NIFTI文件，对MRI影像进行切片，筛选出包含脑肿瘤病灶的脑部MRI影像，并对切片与标签进行中心裁剪，获得尺寸为160
×
160的数据结果，其次将T1和FLAIR两种模态切片图像进行结合，获得增强切片图像T1
‑
FLAIR，且保存为通用图像格式，其具体定义如式(2)：其中，t1f
ij
表示增强切片图像T1
‑
FLAIR上第i行、第j列个像素点的值，t1
ij
代表T1上第i行、第j列个像素点的值，f
ij
表示FLAIR上第i行、第j列个像素点的值；将相应序列的T1
‑
FLAIR、T2、T1ce与FLAIR的切片图像按通道拼接后得到四通道的切片组合作为一个样本；步骤1.3：制作标签图片，通过二值化操作将标签处理为只包含1和0的标签图像，1表示整体病灶区域，0表示背景与其它脑组织，保证原图和标签的序列一一对应，保存为通用图像格式，完成脑肿瘤多模态MRI影像数据集的预处理；
步骤1.4：将脑肿瘤多模态MRI影像数据集按照9:1的比例划分为训练集和测试集。3.如权利要求1所述的基于深度学习的脑肿瘤多模态MRI影像分割方法，其特征在于，所述步骤2包括：步骤2.1：对来自卷积网络上一层I通道的输出特征图使用3
×
3的标准卷积生成O通道的特征图，之后进行一次批量标准化与ReLU激活函数的运算得到内在特征图；步骤2.2：对内在特征图进行空洞率为1的3
×
3的分组卷积得到O/2通道的特征图，之后进行一次批量标准化与ReLU激活函数的运算得到第一组幻影特征图；步骤2.3：对内在特征图进行空洞率为2的3
×
3的分组卷积得到O/2通道的特征图，之后进行一次批量标准化与ReLU激活函数的运算得到第二组幻影特征图；步骤2.4：将内在特征图、第一组幻影特征图与第二组幻影特征图按通道拼接，得到通道数为2O的输出特征图作为空洞多尺度幻影模块的输出。4.如权利要求1所述的基于深度学习的脑肿瘤多模态MRI影像分割方法，其特征在于，所述步骤3包括：步骤3.1：对于来自卷积网络上一层尺寸为I
×
W
...

【专利技术属性】
技术研发人员：叶晨，唐鹏，陈嘉雷，付冲，
申请(专利权)人：东北大学，
类型：发明
国别省市：