The invention provides an MRI brain tumor localization and intratumoral segmentation method based on a deep cascaded convolution network, which comprises the following steps: constructing a deep cascaded convolution neural network segmentation model; training and parameter optimization of the model; fast localization and intratumoral segmentation of brain tumors on multi-modal MRI. The method of MRI brain tumor localization and intratumoral segmentation based on deep cascaded convolution network is provided, and a deep cascaded hybrid neural network composed of full convolution neural network and classified convolution neural network is constructed. The segmentation process is divided into two stages of complete tumor region localization and intratumoral molecular region segmentation, and the hierarchical MRI brain tumor is realized. Fast and accurate localization and intratumoral segmentation are achieved. Firstly, the whole tumor region is located from MRI image by full convolution network method, and then the whole tumor is further divided into edema region, non-enhanced tumor region, enhanced tumor region and necrosis region by image block classification method. The accurate localization and intratumoral localization of brain tumors on multimodal MRI are realized. Fast and accurate segmentation of subregions.
【技术实现步骤摘要】
基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法
本专利技术涉及医学图像分析
,具体涉及一种基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法。
技术介绍
脑肿瘤是严重危害人类健康的重大疾病。其中,神经胶质瘤是恶性脑肿瘤主要类型,虽然不常见,但致死率非常高。据文献统计,高等级神经胶质瘤平均存活时间为14个月。磁共振成像(MagneticResonanceImaging,MRI)是临床上最常用的脑肿瘤检查与诊断手段,从MRI图像中精确分割出脑肿瘤及瘤内结构,对神经病理分析与精准诊断具有重要价值,其可为手术方案、放疗化疗计划制订及预后评估提供重要支持。MRI脑肿瘤的分割需要同时参考T1、T1c、T2和FLAIR四种模态图像,每个模态又包含若干切片的三维体数据。人工分割虽然可行但非常耗时,且受医师经验影响,具有一定主观性,可重复性差。因此,探索人工智能算法进行MRI脑肿瘤全自动分割成为必然需求。传统机器学习采用人工抽取特征,接着使用抽取特征来训练一个分类器,然后使用训练好的分类器对图像像素进行分类,从而产生分割图。但是,这种方法受特征抽取算法影响,抽取的特征并不一定是适合于某一特定分类任务的可鉴别特征。然而,基于卷积神经网络的深度学习技术,能从数据集中自动学习适合于特定任务的层级化特征,能大大提升像素分类精度。本专利技术的专利技术人经过研究发现,当前基于深度学习的MRI脑肿瘤自动分割方法主要有两类:图像块分类法和全卷积网络像素级分类法。其中,图像块分类法采用滑动窗方式取以每一像素为中心的周围邻域块进行分类,存在以下不足:(1)计算冗余度高,分割速度慢 ...
【技术保护点】
1.基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法,其特征在于,包括以下步骤:S1、深度级联卷积神经网络分割模型搭建:S11、深度级联卷积神经网络由肿瘤定位网和瘤内分类网组成,所述肿瘤定位网适于输入FLAIR、T1、T1c和T2四模态MRI图像,输出肿瘤候选区和正常组织的二值图,所述瘤内分类网适于输入肿瘤定位网输出的肿瘤候选区,输出瘤内子区分割结果;S12、所述肿瘤定位网由全卷积网络组成,包括第一至第五共五个卷积层组、第一至第五共五个池化层、卷积层六和卷积层七,所述第一池化层位于第一卷积层组后,所述第二池化层位于第二卷积层组后,依次类推,所述第五池化层位于第五卷积层组后,所述卷积层六和卷积层七顺序设于第五池化层后;S13、所述肿瘤定位网中采用跳跃连接,将卷积层七输出的高级语义特征进行2倍上采样后与各池化后的低级细节特征逐层融合,用最终融合特征对像素类别进行精确预测;S14、所述瘤内分类网由两个卷积层组、两个池化层、三个全连接层和一个Softmax分类层组成,其中,每个卷积层组后跟随一个池化层,所述三个全连接层和一个Softmax分类层顺序设于最后一个池化层后;S2、模型训练与参数 ...
【技术特征摘要】
2017.12.25 CN 20171141994571.基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法,其特征在于,包括以下步骤:S1、深度级联卷积神经网络分割模型搭建:S11、深度级联卷积神经网络由肿瘤定位网和瘤内分类网组成,所述肿瘤定位网适于输入FLAIR、T1、T1c和T2四模态MRI图像,输出肿瘤候选区和正常组织的二值图,所述瘤内分类网适于输入肿瘤定位网输出的肿瘤候选区,输出瘤内子区分割结果;S12、所述肿瘤定位网由全卷积网络组成,包括第一至第五共五个卷积层组、第一至第五共五个池化层、卷积层六和卷积层七,所述第一池化层位于第一卷积层组后,所述第二池化层位于第二卷积层组后,依次类推,所述第五池化层位于第五卷积层组后,所述卷积层六和卷积层七顺序设于第五池化层后;S13、所述肿瘤定位网中采用跳跃连接,将卷积层七输出的高级语义特征进行2倍上采样后与各池化后的低级细节特征逐层融合,用最终融合特征对像素类别进行精确预测;S14、所述瘤内分类网由两个卷积层组、两个池化层、三个全连接层和一个Softmax分类层组成,其中,每个卷积层组后跟随一个池化层,所述三个全连接层和一个Softmax分类层顺序设于最后一个池化层后;S2、模型训练与参数优化:使用扩充后的标注数据对深度级联卷积神经网络分割模型进行有监督训练,设计目标函数优化网络参数,产生最优分割模型,其具体包括:S21、将标准化并扩充后的整幅图像数据集按8:1:1的比例分为训练集、验证集和测试集,将同一大脑切面的FLAIR、T1、T1c和T2四模态整幅图像作为肿瘤定位网的四通道输入;S22、采用分类交叉熵损失函数作为优化目标,其目标函数定义如下:其中,Y'是分割标签,Y是预测的概率,C为像素类别数,S是图像像素的个数;S23、采用随机梯度下降算法优化目标函数,运用误差反向传播算法更新肿瘤定位网模型参数;S24、将抽取的MRI图像块数据集按8:1:1的比例分为训练集、验证集和测试集,将同一大脑切面的FLAIR、T1、T1c和T2四模态图像块作为瘤内分类网的四通道输入;S25、采用步骤S22中的分类交叉熵损失函数作为优化目标,但C表示肿瘤分类类别数,S表示批次中图像块样本数;S26、采用步骤S23中的随机梯度下降算法优化目标函数,运用误差反向传播算法更新瘤内分类网模型参数,且本步骤在进行瘤内分类网训练时,三个全连接层中的第一全连接层和第二全连接层使用了Dropout正则化方法,其Dropout率设为0.50;S3、多模态MRI脑肿瘤的快速定位与瘤内分割,其包括:S31、将预处理标准化后的四模态MRI图像作为四通道输入步骤S2已训练和优化后的肿瘤定位网,自动定位并输出包括肿瘤区和非肿瘤区的二值分割图;S32、取以肿瘤区像素为中心的四模态图像块输入步骤S2已训练和优化后的瘤内分类网,预测该像素的类别,并采用滑动窗方式,对肿瘤像素逐个预测,最后得到瘤内子区分割图;S33、将瘤内子区分割图叠加到原始MRI图像上,得到最终MRI脑肿瘤定位与分割图。2.根据权利要求1所述的基于深度级联卷积网络的MRI脑肿瘤定位与瘤内分割方法,其特征在于,所述方法还包括以下步骤:S4、脑肿瘤多模态MRI图像预处理,预处理后的图像数据适用于步骤S21、S24和S31输入,其包括:S41、对多模态MRI图像进行偏移场校正操作;S42、提取FLAIR、T1、T1c和T2四个模态的MRI图像切片,在每一个MRI图像切片中,移去最高1%和最低1%的灰度值;S43、对每一个MRI图像的灰度值采用下式进行数据标准化操作:其中,x(i,j)对应切片X的第i行j列的灰度值,和Xs分别是切片X的均值和标准差,x′(i,j)是x(i,j)标准化的灰度;S44、对标准化操作后的灰度图像使用数据扩充技术,使训练数据样本增加为初始的10倍;S45、对扩充后的数据集以肿瘤像素为中心随机抽取大小为33×33的图像...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。