一种基于UNet的脑肿瘤分割方法技术

本发明专利技术提出一种基于混合损失函数的改进UNet脑肿瘤分割方法提高脑肿瘤分割精度。针对脑肿瘤磁共振成像(MRI)多模态精准分割，UNet网络在编码和解码阶段特征图直接融合，产生许多冗余信息，导致脑肿瘤分割精确度不够。在UNet网络中引入注意力机制，使网络模型关注到需要分割的区域，避免信息冗余，提高了脑肿瘤分割精度。再在UNet中加入残差模块解决信息损失，同时也防止了网络训练时退化的问题。与此同时引入了Dice损失和焦点损失相结合的混合损失函数，有效的解决了样本不均衡问题和对于体积较小，边界模糊的肿瘤分割精度不足的问题。题。

【技术实现步骤摘要】
一种基于UNet的脑肿瘤分割方法


[0001]本文提出了一种基于深度学习的脑肿瘤分割算法，采用的是一种基于UNet网络模型改进的脑肿瘤分割算法；通过改进的UNet网络模型和改进网络的损失函数可用于更精确地分割脑肿瘤核磁共振图像，提高脑肿瘤整体肿瘤区域、核心肿瘤区域和增强肿瘤区域的分割精度。

技术介绍

[0002]脑肿瘤是发生在人体颅脑内组织的恶性疾病，是死亡率极高的一种疾病。脑肿瘤根据起源位置可分为原发性肿瘤和继发性肿瘤。其中脑胶质瘤是属于原发性肿瘤的一种恶性肿瘤，它产生的原因是由颅内细胞和脊髓胶质细胞发生恶性病变。脑胶质瘤又可分为两类，一类为扩散速度快，几乎无治疗可能的高级别胶质瘤；另一类为可被治疗的低级别胶质瘤，因此对于脑胶质瘤患者进行初期的诊断和相应的治疗，可以大限度预防低级别胶质瘤向高级胶质瘤转化，增加患者的存活时间。
[0003]根据不同的成像条件，脑部图像可分为Flair模态、T1加权模态、T1ce模态及T2加权模态，临床上医生通常结合四种不同模态图像来进行诊断。由于脑肿瘤形状多异、位置大小分布不均、边界复杂等因素，目前脑肿瘤图像主要还是由专家手动进行分割，但这样的方式既耗费时间又耗费精力，同时还存在着很强的个人主观性，对于同样的一张图像，不同的医生可能会有不同的分割结果，甚至同一个医生也很难两次分割完全相同，手动分割肿瘤很大程度上依赖于医生的丰富经验。因此，研究肿瘤图像的精准分割方法,为肿瘤靶区的勾画提供快捷且重复性较高的方案,成为图像引导放疗
的一个重要研究分支。
[0004]近年来，随着深度学习方法在图像领域的快速发展，基于深度学习的脑瘤图像分割方法层出不穷，分割精度和速度也不断的取得了突破。特别是UNet网络结构的出现，对医疗图像的分割，取得了巨大进展，但是UNet网络的跳跃链接将在编码和解码阶段特征图直接融合，产生许多冗余信息，针对脑肿瘤的分割精确度不够，而且使用Dice系数在分割过程中容易出现梯度消失，使得模型难以训练，影响分割效果。

技术实现思路

[0005]本专利技术为解决上述问题，提出一种基于一种基于U
‑
Net的脑肿瘤分割方法；通过引入残差模块和注意力机制对UNet进行优化，解决UNet网络将在编码和解码阶段特征图直接融合，产生许多冗余信信息，分割精确度不够的问题；采用Dice损失和焦点损失相结合来改进损失函数，优化后的网络与改进损失函数相结合对脑肿瘤进行分割，解决了类不平衡问题和对于体积较小，边界模糊的肿瘤分割精度不足的问题。
[0006]为了实现上述目的，本专利技术的技术方案如下：一种基于U
‑
Net的脑肿瘤分割方法，包括以下步骤：步骤一：数据预处理；步骤二：构建改进的UNet网络模型，调节卷积核的数目和改进卷积层框架结构；
步骤三：构建改进的混合损失函数，将改进的损失函数应用到网络中；步骤四：网络经过训练后输入测试集进行测试，检验网络效果。
[0007]所述步骤一中的具体过程如下：(1)BraTS2018和BraTS2019数据集每个病例有四个模态(t1、t2、flair、t1ce)，采用Z
‑
score方法分别标准化每个模态的图像，利用Z
‑
score标准化：其中μ为所有样本数据的均值，σ为所有样本数据的标准差；(2)MRI图像脑部区域为灰色，黑色则为背景，整幅图像中背景信息的占比较大，而且背景对于分割没有任何帮助。因此需要去除背景信息是必要的，将原来大小为(160,240,240)的图像裁剪为(160,160,160)；(3)将所选取的MRI图像切片成尺寸为(160,160)大小的图片，并且去除掉空白的切片。
[0008]所述步骤二中的具体过程如下：(1)搭建改进UNet脑肿瘤分割网络模型，在编码器和解码器之间的长连接中引入注意力机制；(2)将残差块中的3
×
3卷积替换为空洞率分别为1,2,3的空洞卷积；一个残差块表示为：X
l+1
＝x
l
+F(x
l
；W
l
)残差块分成两部分直接映射部分和残差部分，其中x
l
为直接映射部分，F(x
l
；W
l
)为残差部分；(3)构建的网络模型使用4次下采样和4次上采样保留原始的U形对称结构，每次下采样之前加入一次残差模块，每个残差模块中包含空洞率分别为1，2，3的空洞卷积，没从空洞卷积后执行一次归一化(BatchNorm,BN)和一次Relu激活操作，防止网络过深信息丢失和网络退化，同时扩大感受野；每次上采样过程中使用两次卷积，卷积核大小为3，下采样使图片大小变为原来的1/2，上采样使图片大小变为原来的2倍；(4)在上面的网络模型后再加入一次卷积，使通道数变为3，使输出与处理后的医生标注图片一致。
[0009]所述步骤三中的具体过程如下：训练采用了混合损失函数，它是由医学影像损失Dice Loss焦点损失函数Focal Loss进行了组合而成；根据Dice系数定义的Dice Loss：计算焦点损失的具体过程：焦点损失(FL)可看作是二元交叉熵的变化，它降低了简单示例的权重，使模型能够更专注于学习困难示例，它适用于高度不平衡的类场景，表示为：L＝Focal_loss＝FL(p
t
)＝
‑
α
t
(1
‑
p
t
)
γ
log(p
t
)其中α为平衡因子，一般在[0,1]范围内，γ取值为2；
p表示预测样本属于1的概率(范围为0
‑
1)，y表示标签；最终混合损失定义为：此混合损失函数保证了Dice系数精度，即分割结果较好，同时确保分割结果对比专家的勾勒结果误差小。
[0010]所述步骤四中的具体过程如下：将预处理的图片输入到网络中，更新网络参数权重，得到最优的网络分割结果。将分割结果进行一次sigmoid，将分割结果变为0和1，进行拼接，再根据三通道定义还原成单通道，即得到分割结果图。
[0011]与现有技术相比，本专利技术技术方案的有益效果是：(1)本专利技术基于卷积神经网络，将UNet网络模型和残差模块进行结合，解决了随着网络的加深会带来梯度消失的问题；(2)本专利技术将注意力机制引入到网络中，解决了在编码和解码阶段特征图直接融合，产生冗余信息，且忽略了不同通道特征的重要性，针对脑肿瘤核心区域分割精确度不够的问题；(3)本专利技术引入了新的损失函数，来平衡样本中的类别，克服类别不平衡问题，提高脑肿瘤分割精度。
附图说明
[0012]图1为本专利技术的方法流程图；图2为本专利技术所改进的UNet的网络模型；图3为本专利技术所用的注意力机制模型；图4为本专利技术改进的残差模块和残差模块原理图。
具体实施方案
[0013]对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的，下面结合附图和实施例对本专利技术的技术方案做进一步的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于UNet的脑肿瘤分割方法，其特征在于，包括以下步骤：Step 1：数据预处理；Step 2：构建改进的UNet网络模型，调节卷积核的数目和改进卷积层框架结构；Step 3：构建改进的混合损失函数，将改进的损失函数应用到网络中；Step 4：网络经过训练后输入测试集进行测试，检验网络效果。2.根据权利要求1所述的一种基于UNet的脑肿瘤分割方法，其特征在于，所述Step 1中的具体过程如下：Step1.1 BraTS2018和BraTS2019数据集每个病例有四个模态(t1、t2、flair、t1ce)，采用Z
‑
score方法分别标准化每个模态的图像；利用Z
‑
score标准化：其中μ为所有样本数据的均值，σ为所有样本数据的标准差；Step1.2 MRI图像脑部区域为灰色，黑色则为背景，整幅图像中背景信息的占比较大，而且背景对于分割没有任何帮助，因此需要去除背景信息是必要的，将原来大小为(160,240,240)的图像裁剪为(160,160,160)；Step1.3将所选取的MRI图像切片成尺寸为(160,160)大小的图片，并且去除掉空白的切片。3.根据权利要求1所述的一种基于UNet的脑肿瘤分割方法，其特征在于，所述Step 2中的具体过程如下：Step2.1搭建改进UNet脑肿瘤分割网络模型，在编码器和解码器之间的长连接中引入注意力机制；Step2.2将残差块中的卷积替换为空洞率分别为1，2，3的空洞卷积；一个残差块表示为：X
l+1
＝x
l
+F(x
l
；W
l
)残差块分成两部分直接映射部分和残差部分，其中x
l
为直接映射部分，F(x
l
；W
l
)为残差部分；Step2.3构建的网络模型使用4次下采样和4次上采样保留原始的U形对称结构，每...

【专利技术属性】
技术研发人员：李秀华，王士奇，朱水成，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：