结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置制造方法及图纸
【技术实现步骤摘要】
结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置
本专利技术涉及医疗器械，将医学图像和计算机算法结合起来，完成脑肿瘤核磁共振图像的分割。具体讲,涉及结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置。
技术介绍
脑肿瘤分为良性肿瘤和恶性肿瘤两类，良性肿瘤在通过手术治疗后一般能够恢复健康，恶性肿瘤因其顽固性难以治愈，又被称为脑癌。调查显示，美国仅2015年被诊断的脑肿瘤人数新增23,000人。脑肿瘤已严重危害到人类生命健康，如何更好地对其诊断和治疗十分重要。目前检查脑肿瘤的影响手段主要有核磁共振成像(magneticresonanceimaging,MRI)和计算机断层扫描(Computedtomography,CT)，其中MRI具有非侵入性，能在病人不接受高电离辐射的情况下提供形状、大小及位置等信息，且具有良好的软组织对比度，因此在脑肿瘤的诊断、治疗和手术引导中越来越受到人们的关注，而如何使用计算机辅助分割MRI脑肿瘤以得到理想结果，仍是一个急需解决的问题。1998年，LeCun等将卷积神经网络(convolutionneuralnetwork,CNN)首次应用于图...
【技术保护点】
一种结合卷积神经网络和模糊推理的脑肿瘤分割方法，其特征是，步骤如下：1)选取图像,从T1(T1‑weighted MRI)、T2(T2‑weighted MRI)、T1c(T1‑weighted MRI with contrast enhancement)和Flair(Fluid‑Attenuated Inversion Recovery)四种类型脑肿瘤MRI图像中选出两种最有效于卷积神经网络模型建立和脑肿瘤分割结果的单模态图像；2)构建CNN模型，将选择好的两种类型脑肿瘤图像分别作为训练样本，专家分割结果图的像素点作为训练样本的真值标签，分别训练得到两种模态图像的CNN模...
【技术特征摘要】
1.一种结合卷积神经网络和模糊推理的脑肿瘤分割方法，其特征是，步骤如下：1)选取图像,从T1(T1-weightedMRI)、T2(T2-weightedMRI)、T1c(T1-weightedMRIwithcontrastenhancement)和Flair(Fluid-AttenuatedInversionRecovery)四种类型脑肿瘤MRI图像中选出两种最有效于卷积神经网络模型建立和脑肿瘤分割结果的单模态图像；2)构建CNN模型，将选择好的两种类型脑肿瘤图像分别作为训练样本，专家分割结果图的像素点作为训练样本的真值标签，分别训练得到两种模态图像的CNN模型；3)非线性映射，通过非线性映射将错误样本点的概率均匀分布在0到1之间，使得在大样本情况下的概率分布更好地表现出像素点之间的差异性；4)模糊推理系统，将两种类型单模态图像的概率预测结果作为输入，建立模糊推理系统整合两种类型图像的特征，得到脑肿瘤的分割结果。2.如权利要求1所述的结合卷积神经网络和模糊推理的脑肿瘤分割方法，其特征是，一个实例中，构建CNN模型具体步骤是，将每幅Flair和T2图像以像素点为中心切分为若干个尺寸为35*35的图像作为原始输入，输入图像首先经过由6个6*6邻域的卷积核组成的卷积层后得到6个30*30的特征图，再经过下采样得到6个15*15的特征图；再经过由12个6*6邻域的卷积核组成的卷积层得到12个10*10的特征图，并通过下采样得到12个5*5的特征图；然后通过全连接层将得到的特征图转化为一维特征；最后，在输出层中得到输入样本是否属于肿瘤的概率。3.如权利要求1所述的结合卷积神经网络和模糊推理的脑肿瘤分割方法，其特征是，一个实例中，非线性映射的具体步骤是，找出模型训练中所有肿瘤误判为非肿瘤的样本，将其预测概率从小到大排列并等分为10份，令其边界值分别对应于0，0.05，0.1，…，0.5；同理，找出训练样本中所有非肿瘤误判为肿瘤的训练样本，并将其预测概率从小到大排列并等分为10份，另其边界值分别对应于0.5，0.55，0.6，…，1；最终...
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。