基于多尺度蒸馏的脑肿瘤MRI图像分割方法技术

本发明专利技术提供了一种基于多尺度蒸馏的脑肿瘤MRI图像分割方法包括采集多模态核磁共振图像，在上位机中对多模态核磁共振图像进行预处理，然后输入到多尺度蒸馏训练操作后的DeepLabv3+网络，输出多模态MRI图像的分割结果图，分割结果图包括背景区域、坏疽区域、浮肿区域和增强肿瘤区域。本发明专利技术采用了脑胶质母细胞瘤患者的T1、T1c、T2和FLAIR四种模态的核磁共振图像进行肿瘤分割，增加了样本的多样性，采用了改进的蒸馏损失方法，通过保持长程和短程空间关系，能够更好的保留学习的知识，提高模型精度。模型精度。模型精度。

【技术实现步骤摘要】
基于多尺度蒸馏的脑肿瘤MRI图像分割方法


[0001]本专利技术涉及数字医学图像识别
，具体是基于多尺度蒸馏的脑肿瘤MRI图像分割方法。

技术介绍

[0002]脑胶质瘤是最常见的原发性中枢神经系统肿瘤之一，具有极高的发病率和致死率。核磁共振成像(Magnetic Resonance Imaging,MRI)能对大脑软组织进行高空间分辨率和高对比度成像，是医生进行脑结构分析的最佳选择，因此在临床上被广泛使用。图像分割是脑肿瘤研究的关键步骤，其为后续诊断和治疗提供指导依据。然而手动分割是一项十分费时费力的工作，且严重依赖于医生的经验。由于脑肿瘤形状多变、结构复杂以及类别极不平衡等特点，传统的图像分割算法如区域生长和像素分类等往往很难获得令人满意的分割效果。因此自动脑肿瘤分割算法的研究仍是一项十分具有挑战性的任务。
[0003]目前，专家手工分割是临床中最常用的分割方法。专家手动分割脑肿瘤即在图像上手动标注脑肿瘤的边界，标注时采用不同的标签表示不同的解剖结构区域。因此，脑肿瘤手工分割专家需要掌握解剖学等知识。这种脑肿瘤分割方式存在一些缺点，包括:
[0004](1)随着脑肿瘤影像的增加，人工分割脑肿瘤的不同区域任务变得不仅耗时且容易出错，并且分割效果也逐渐下降,进而影响临床医生对脑肿瘤患者的诊断、治疗方案的制定以及患者术后恢复效果评估。
[0005](2)人工脑肿瘤分割方法具有主观性，无法复现。主观性体现在，对于相同的脑肿瘤核磁共振影像,不同专家手工分割的结果未必相同。同一个专家在不同时间对相同影像进行标注，得到的结果也可能不同，即该方法是不能复现的。
[0006]为了减轻临床医生或脑肿瘤专家的工作量，需要研究一种全自动的、可复现的脑肿瘤分割方法。

技术实现思路

[0007]本专利技术要解决的技术问题是提供基于多尺度蒸馏的脑肿瘤MRI图像分割方法，用以对多模态核磁共振图像上的脑胶质母细胞瘤区域能够准确定位和更加准确精细分割。
[0008]为了解决上述技术问题，本专利技术提供基于多尺度蒸馏的脑肿瘤MRI图像分割方法，包括采集多模态核磁共振图像，在上位机中对多模态核磁共振图像进行预处理，然后输入到多尺度蒸馏训练操作后的DeepLabv3+网络，输出多模态MRI图像的分割结果图；
[0009]所述预处理包括对多模态MRI图像x轴的图像矩阵依次人工加入黑色切片、Z
‑
Score标准化处理、归一化处理、裁剪处理和图像切片化处理；
[0010]所述分割结果图采用不同灰度进行区域描述，包括背景区域、坏疽区域、浮肿区域和增强肿瘤区域。
[0011]作为本专利技术的基于多尺度蒸馏的脑肿瘤MRI图像分割方法的改进：
[0012]所述人工加入黑色切片为所述多模态核磁共振图像的x轴前后分别插入3张和2张
全0的图像矩阵；
[0013]所述Z
‑
Score标准化处理为：
[0014][0015]其中x表示待处理的图像矩阵，η代表均值，σ代表标准差，z代表处理后的图像矩阵；
[0016]所述归一化处理为：
[0017][0018]z代表标准化处理后的图像矩阵，y代表归一化后的图像矩阵
[0019]所述裁剪处理为：
[0020]x
crop
＝x
old
[i1:i2,j1:j2]ꢀꢀ
(3)
[0021]其中，x
old
为归一化处理后的图像矩阵，x
crop
为裁剪后的图像矩阵，i1，i2为行方向的裁剪范围的始末值，j1，j2为列方向的裁剪范围的始末值；
[0022]所述图像切片化处理为将所述裁剪处理后的图像进行切片处理，获得的每个切片图像高为H和宽为W。
[0023]作为本专利技术的基于多尺度蒸馏的脑肿瘤MRI图像分割方法的进一步改进：
[0024]所述DeepLabv3+网络的训练过程为：
[0025]1)、将训练集分成3个数据子集C
n
(n＝1,2,3)，分别为坏疽子集C1、浮肿子集C2和增强肿瘤子集C3，每个数据子集C
n
由一组对(I
t
,S
t
)组成，其中I
t
表示大小为W
×
H的输入图像，S
t
表示相应的地面真相分割掩码，t＝0,1,2；
[0026]2)、设置训练的超参数和损失函数并使用损失函数来计算模型预测值和真实值的差异；然后将将坏疽子集C1输入到DeepLabv3+网络进行训练，g为DeepLabv3+网络的编码器，f为DeepLabv3+网络的解码器，获得可以识别分割背景区域与坏疽区域的模型g0·
f0；
[0027]3)、将坏疽子集C1和浮肿子集C2作为输入数据集，对模型g0·
f0进行多尺度蒸馏训练操作和伪标签处理，获得可以识别分割背景区域、坏疽区域和浮肿区域的模型g1·
f1；
[0028]4)、将浮肿子集C2和增强肿瘤子集C3别作为输入数据集，对模型g1·
f1进行多尺度蒸馏训练操作和伪标签处理，获得可以识别分割背景区域、坏疽区域、浮肿区域和增强肿瘤区域的模型g2·
f2；
[0029]然后在测试集上测试验证模型g2·
f2，获得所述多尺度蒸馏训练操作后的DeepLabv3+网络。
[0030]作为本专利技术的基于多尺度蒸馏的脑肿瘤MRI图像分割方法的进一步改进：
[0031]所述多尺度蒸馏训练操作具体为：
[0032][0033]其中，x为特征张量，H,W,C分别为张量的长、宽和通道数，h和ω分别为长和宽的索引，Ω(x)为特征张量的合并切片；
[0034][0035]其中，f为特征提取器，t为分类类别，I为当前提取的特征层数，L为特征层总数，L
pod
为嵌入特征层之间的最小L2距离；
[0036]Ψ(x)＝[[Ψ1(x)||
…
||Ψ
S
(x)]∈R
(H+W)
×
C
×
S
ꢀꢀ
(7)
[0037]其中，Ψ
s
(x)为蒸馏特征的最终嵌入特征，
[0038][0039]其中是嵌入张量x的一个子区域，大小为W/s
×
H/s。
[0040]作为本专利技术的基于多尺度蒸馏的脑肿瘤MRI图像分割方法的进一步改进：
[0041]所述伪标签处理具体为：
[0042][0043]其中u表示像素(ω,h)的不确定性，τ
c
是特定于类别的阈值，ω,h为当前张量的长度和高度，c
′
为当前学习的类别，c
bg
为当前图片中的背景类；P
t
(ω,h,c
bg
)为步骤t时模型对先前类别的分割图，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度蒸馏的脑肿瘤MRI图像分割方法，其特征在于:采集多模态核磁共振图像，在上位机中对多模态核磁共振图像进行预处理，然后输入到多尺度蒸馏训练操作后的DeepLabv3+网络，输出多模态MRI图像的分割结果图；所述预处理包括对多模态MRI图像x轴的图像矩阵依次人工加入黑色切片、Z
‑
Score标准化处理、归一化处理、裁剪处理和图像切片化处理；所述分割结果图采用不同灰度进行区域描述，包括背景区域、坏疽区域、浮肿区域和增强肿瘤区域。2.根据权利要求1所述的基于多尺度蒸馏的脑肿瘤MRI图像分割方法，其特征在于：所述人工加入黑色切片为所述多模态核磁共振图像的x轴前后分别插入3张和2张全0的图像矩阵；所述Z
‑
Score标准化处理为：其中x表示待处理的图像矩阵，η代表均值，σ代表标准差，z代表处理后的图像矩阵；所述归一化处理为：z代表标准化处理后的图像矩阵，y代表归一化后的图像矩阵所述裁剪处理为：x
crop
＝x
old
[i1:i2,j1:j2]
ꢀꢀ
(3)其中，x
old
为归一化处理后的图像矩阵，x
crop
为裁剪后的图像矩阵，i1，i2为行方向的裁剪范围的始末值，j1，j2为列方向的裁剪范围的始末值；所述图像切片化处理为将所述裁剪处理后的图像进行切片处理，获得的每个切片图像高为H和宽为W。3.根据权利要求2所述的基于多尺度蒸馏的脑肿瘤MRI图像分割方法，其特征在于：所述DeepLabv3+网络的训练过程为：1)、将训练集分成3个数据子集C
n
(n＝1,2,3)，分别为坏疽子集C1、浮肿子集C2和增强肿瘤子集C3，每个数据子集C
n
由一组对(I
t
,S
t
)组成，其中I
t
表示大小为W
×
H的输入图像，S
t
表示相应的地面真相分割掩码，t＝0,1,2；2)、设置训练的超参数和损失函数并使用损失函数来计算模型预测值和真实值的差异；然后将将坏疽子集C1输入到DeepLabv3+网络进行训练，g为DeepLabv3+网络的编码器，f为DeepLabv3+网络的解码器，获得可以识别分割背景区域与坏疽区域的模型g0·
f0；3)、将坏疽子集C1和浮肿子集C2作为输入数据集，对模型g0·
f0进行多尺度蒸馏训练操作和伪标签处理，获...

【专利技术属性】
技术研发人员：赖小波，王磊，金伟，刘剑东，吴彦，徐小媚，王健庆，赵佳璐，梁钰，
申请(专利权)人：浙江中医药大学，
类型：发明
国别省市：