The invention relates to a multi-modal brain tumor image segmentation method based on stacked automatic coding network. The main contents are as follows: firstly, the image is pre processed, and then multi modality imaging principle is used to realize the classification of abnormal brain regions. Medical image analysis is an important step in computer aided diagnosis, which combines medical images, image processing, mathematical modeling, artificial intelligence and other disciplines. Mha is a three-dimensional medical image, which can describe the structure of the brain accurately. It is mainly used in the field of medical image analysis, and has important significance for the assistant treatment of brain tumors.
【技术实现步骤摘要】
一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法
本专利技术属于计算机医学图像处理领域,更为具体地讲,涉及一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法。
技术介绍
计算机辅助诊断(Computer-aidedDiagnosis,CAD)是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段,结合计算机的分析计算,辅助影像科医师发现病灶,提高诊断的准确率。随着计算机技术以及人工神经元网络的快速发展,深度学习应用于医学图像分析。医学图像分析是计算机辅助诊断中重要的一步,是结合医学影像、图像处理、数学建模、人工智能等多种学科的交叉领域。Mha是一种三维医学图像,能够准确描述大脑的解刨结构,主要应用于医学图像分析领域,对脑肿瘤诊断辅助治疗具有重要的意义。医学图像分割是医学图像分析中的一个重要的研究方向,随着计算机技术的迅猛发展,如何实现更加准确的图像分割,从而为科学研究和临床治疗提供更加充分的科学依据,已经成为当前学术界以及医学界的研究热点。深度学习在医学图像中的应用是研究学习中的一个新的应用领域,目的是能共建立、模拟人脑进行分析学习。深度学习能够模拟人脑的视觉机理从而自动学习到数据各个层次的抽象特征反映数据的本质特征。深度神经网络的研究从1986年Rumelhart提出自动编码器的概念,并将其用于高维复杂数据处,2006年,Hinton对原型自动编码器结构进行改进,进而产生了DAE。2007年,Benjio提出稀疏自动编码器的概念。2008年,Vincent提出降噪自动编码器。2009年,Benjio阐述利用堆叠自动编码器构建深度学习神经网络。堆叠 ...
【技术保护点】
本专利技术是一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法。主要包括以下内容:首先对图像进行预处理,然后利用多模态成像原理,实现对非正常脑组织区域的多分类。技术方案如下:步骤一:将非正常脑组织成像数据mha进行切片,得到二维bmp图像。步骤二:将得到的二维图像进行预处理,提高病变区域和非病变区域的对比度,然后对图像进行归一化处理。步骤三:分别对flair,T1,T2,T1c图像中的点提取一个15×15的图像块,将图像块进行堆叠成为一个4×15×15的矩阵。将每个图像块的灰度转换为一个4×225维的向量,依次排列形成输入矩阵;。步骤四:同时设立四个SAE(堆叠降噪自动编码器)网络。步骤五:对每一个SAE深度学习网络,设定SAE深度学习网络的隐层节点数,将矩阵作为输入,进行预训练,获取最初的网络参数;步骤六:在网络的顶部增加一个输出层,利用带标签的数据对网络参数进行微调得到最终的参数;步骤七:使用得到的参数初始化一个新的分类网络,对需要测试的图像,为其提取同样大小的图像块,并形成同样的灰度矩阵,把这个灰度矩阵输入到分类网络中,得到最初的分类结果。步骤八:分别从四个SAE网络中获取病变区 ...
【技术特征摘要】
1.本发明是一种基于堆叠自动编码网络的多模态脑肿瘤图像分割方法。主要包括以下内容:首先对图像进行预处理,然后利用多模态成像原理,实现对非正常脑组织区域的多分类。技术方案如下:步骤一:将非正常脑组织成像数据mha进行切片,得到二维bmp图像。步骤二:将得到的二维图像进行预处理,提高病变区域和非病变区域的对比度,然后对图像进行归一化处理。步骤三:分别对flair,T1,T2,T1c图像中的点提取一个15×15的图像块,将图像块进行堆叠成为一个4×15×15的矩阵。将每个图像块的灰度转换为一个4×225维的向量,依次排列形成输入矩阵;。步骤四:同时设立四个SAE(堆叠降噪自动编码器)网络。步骤五:对每一个SAE深度学习网络,设定SAE深度学习网络的隐层节点数,将矩阵作为输入,进行预训练,获取最初的网络参数;步骤六:在网络的顶部增加一个输出层,利用带标签的数据对网络参数进行微调得到最终的参数;步骤七:使用得到的参数初始化一个新的分类网络,对需要测试的图像,为其提取同样大小的图像块,并形成同样的灰度矩阵,把这个灰度矩阵输入到分类网络中,得到最初的分类结果。步骤八:分别从四个SAE网络中获取病变区域的分类,将结果映射到一个与原图大...
【专利技术属性】
技术研发人员:丁熠,秦臻,董荣凤,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川,51
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。