一种MRI图像中自动头颈肿瘤分割方法技术

本发明专利技术公开一种MRI图像中自动头颈肿瘤分割方法，包括步骤：训练基于U‑net的神经网络模型：神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器；在U‑net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合；利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像。本发明专利技术能够实现快速、稳健且精确的自动在MRI图像中分割NPC肿瘤。

【技术实现步骤摘要】
一种MRI图像中自动头颈肿瘤分割方法
本专利技术属于医学图像
，特别是涉及一种MRI图像中自动头颈肿瘤分割方法。
技术介绍
在头颈部肿瘤中，鼻咽癌(NPC)是导致高死亡率的最常见类型；大多数鼻咽癌患者在诊断鼻咽癌之前已经错过了最佳治疗时期。磁共振成像(MRI)图像中的准确肿瘤描绘在指导放射治疗中起着至关重要的作用。因此，NPC的早期诊断在临床应用中特别重要。通常根据人工分割和医学图像分析对NPC患者进行诊断。与其他类型的肿瘤如脑肿瘤和肺肿瘤相比，NPC肿瘤具有更复杂的解剖结构，并且通常与周围组织如脑干，耳蜗，腮腺和淋巴具有相似的强度；另外，来自不同NPC患者的肿瘤通常呈现高形状变异性。这些属性使NPC肿瘤的分割成为一项特别具有挑战性的任务。由于带有NPC的MRI图像通常具有与鼻腔区域相似的视觉属性，因此基于视觉特征的一般图像分割技术可能不再适合于区分MRI图像中的NPC肿瘤边缘。也许部分原因在于分割挑战和鼻咽癌病例的地方性分布，但沿着这一研究方向仅有少量文献记录。而现有的提取算法通常提取用于肿瘤分割的一组手工特征；然而，由于NPC肿瘤的形状变化很大，并且与邻近组织的强度值相似，这些方法可能会限制分割性能。因此，准确分割NPC肿瘤以确定传播和体积等特征对诊断和随后的治疗计划至关重要。然而，由于手工分割的劳动密集性以及不同放射科医师之间的分歧，降低了分隔的准确性和鲁棒性。
技术实现思路
为了解决上述问题，本专利技术提出了一种MRI图像中自动头颈肿瘤分割方法，能够实现快速、稳健且精确的自动在MRI图像中分割NPC肿瘤。为达到上述目的，本专利技术采用的技术方案是：一种MRI图像中自动头颈肿瘤分割方法，包括步骤：S100，训练基于U-net的神经网络模型：神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器；在U-net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合；训练所述基于U-net的神经网络模型，包括步骤：S101，对图像训练集进行数据预处理和数据增强；数据增强为通过应用随机非线性变换，生成更多训练数据来提高网络性能，以应对有限数量的用于训练的标记NPC数据；S102，通过图像训练集中整个MRI图像来训练神经网络，并使用跳跃连接来组合分层特征以生成标签图，跳过连接以同时实现良好的本地化和上下文的使用；S103，通过标签图结合增强后的数据训练基于U-net的神经网络模型；S200，利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像，包括步骤：对待测试MRI图像进行数据采集、图像预处理和分割NPC肿瘤区域图像。进一步的是，所述数据采集包括步骤：通过扫描仪采集具有T1加权的MRI图像，即T1-MRI图像；所述T1-MRI图像具有从头部到颈部的相同尺寸以及相同的体素尺寸。进一步的是，考虑到NPC肿瘤仅在所获图像中占据较小的区域，并且鼻咽部的位置相对固定，所述图像预处理包括步骤：选择所述T1-MRI图像中每个MRI切片的轴向视图作为感兴趣区域，感兴趣区域尺寸为鼻咽区域尺寸；进行各向同性重采样以达到设定分辨率；校正MRI图像中的偏置场，通过减去T1序列的平均值并除以其标准偏差来使T1-MRI图像的数据强度归一化。进一步的是，所述T1-MRI图像通过PhilipsAchieva3.0T扫描仪获取；获得的图像具有从头部到颈部的相同尺寸232×320×103mm3以及相同的体素尺寸0.6061×0.6061×0.8mm3；选择每个MRI切片在轴向视图中作为感兴趣区域的尺寸为128×128mm3的鼻咽区域；进行各向同性重采样以达到1.0×1.0×1.0mm3的分辨率。进一步的是，由于鼻咽癌肿瘤没有明确的形状，不同的患者通常呈现较大的肿瘤形态变化，随机非线性变换采用图像变形；所述数据增强包括步骤：通过图像变形处理方式获得不同形状的MRI图像训练标记NPC数据；所述图像变形是将MRI图像的行和列分割成片段，从而在MRI图像中获得具有相同大小的盒子；盒子边界上的顶点表示图像变形的范围，盒子边界内的所有顶点作为源控制点，从而得到控制点的目标位置；将变形函数应用于网络中的每个顶点，获得不同形状的MRI图像训练标记NPC数据；生成具有完全不同形状的足够多样化的训练数据，实现MRI图像的数据增强，以应对有限数量的用于训练的标记NPC数据，以提高网络性能。进一步的是，所述分割NPC肿瘤包括步骤：在所述神经网络模型的标签映射中的每个像素表示的肿瘤区域标记为1并且正常区域标记为0；在U-net架构中使用的跳过连接将来自扩展解码层的高级特征与从收缩编码层的外观特征相结合；通过具有分层特征的组合分割图像中的NPC肿瘤区域，得到NPC肿瘤区域图像。进一步的是，所述基于U-net的神经网络模型包括28个卷积层；所述编码器的路径包含5个卷积块，在每个卷积块中包括有大小为3×3滤波器且每个维度上步长为1的2个卷积层，并设置有ReLu激活函数；在编码器路径的第四块和第五块的最后一层中设置dropout层，dropout层设置为0.5；所述编码器的特征映射数量从1增加到1024；在除了最后一个块之外的每个卷积块的末尾设置有大小为2×2的过滤器且2×2步长的下卷积层，从而使得每个卷积块输出的特征映射的大小从128×128减小到8×8；所述解码器的路径包含4个上卷积块，所述上卷积块从每个维度上步长为2且滤波器大小为3×3的上卷积层开始，这使得解码器中特征映射的大小加倍，但特征映射的数量减半，解码器中特征映射的大小从8×8增加到128×128；所述上卷积块中包括2个卷积层，上卷积块中的第一个卷积层减少连接的特征映射的数量；来自所述编码器路径的特征映射被复制并与解码器路径的特征映射连接。进一步的是，在所述基于U-net的神经网络模型的每个卷积层中应用1×1零填充，使得每个卷积层的输出补丁大小为：Ioutput＝(Iinput-F+2P)/S+1，其中，Iinput和Ioutput是卷积层的输入和输出的补丁大小，F是滤波器大小，P代表填充大小，并且S是步幅大小；根据上述输出补丁大小的计算，使得在编码器路径和解码器路径的每个块中保留相同大小的特征映射。进一步的是，在所述基于U-net的神经网络模型中应用1×1卷积层以将特征映射的数量减少为反映标签映射的特征映射的数量，并且应用sigmoid函数使输出在0至1的范围内；在标签映射中的每个像素表示的肿瘤区域被标记为1并且正常区域被标记为0；在U-net架构中使用的跳过连接将来自扩展解码器卷积层的高级特征与从收缩编码器卷积层的外观特征相结合；通过具有分层特征的组合分割图像中的NPC肿瘤区域。进一步的是，在训练过程中，采用二进制交叉熵作为成本函数，网络采用随机梯度下降优化进行训练，以使与其参数相关的成本函数最小化。采用本技术方案的有益效果：本专利技术提出的方法利用深度神经结构从训练数据中自动提取特征信息，更好地捕获MRI强度图像和相应标签图之间的关系；本专利技术采用整个MRI图像而不是图像块作为输入来训练神经网络；并且在本专利技术中通过跳过连接策略用于将浅层编码层的外观特征表示与深度解码层的高层特征表示相结合；从而通过结合分层特征能够实现更好的分割性能；能够实现快速本文档来自技高网...

【技术保护点】
1.一种MRI图像中自动头颈肿瘤分割方法，其特征在于，包括步骤：S100，训练基于U‑net的神经网络模型：神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器；在U‑net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合；训练所述基于U‑net的神经网络模型，包括步骤：S101，对图像训练集进行数据预处理和数据增强；数据增强为通过应用随机非线性变换；S102，通过图像训练集中整个MRI图像来训练神经网络，并使用跳跃连接来组合分层特征以生成标签图；S103，通过标签图结合增强后的数据训练基于U‑net的神经网络模型；S200，利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像，包括步骤：对待测试MRI图像进行数据采集、图像预处理和分割NPC肿瘤区域图像。

【技术特征摘要】
1.一种MRI图像中自动头颈肿瘤分割方法，其特征在于，包括步骤：S100，训练基于U-net的神经网络模型：神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器；在U-net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合；训练所述基于U-net的神经网络模型，包括步骤：S101，对图像训练集进行数据预处理和数据增强；数据增强为通过应用随机非线性变换；S102，通过图像训练集中整个MRI图像来训练神经网络，并使用跳跃连接来组合分层特征以生成标签图；S103，通过标签图结合增强后的数据训练基于U-net的神经网络模型；S200，利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像，包括步骤：对待测试MRI图像进行数据采集、图像预处理和分割NPC肿瘤区域图像。2.根据权利要求1所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述数据采集包括步骤：通过扫描仪采集具有T1加权的MRI图像，即T1-MRI图像；所述T1-MRI图像具有从头部到颈部的相同尺寸以及相同的体素尺寸。3.根据权利要求2所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述图像预处理包括步骤：选择所述T1-MRI图像中每个MRI切片的轴向视图作为感兴趣区域，感兴趣区域尺寸为鼻咽区域尺寸；进行各向同性重采样以达到设定分辨率；校正MRI图像中的偏置场，通过减去T1序列的平均值并除以其标准偏差来使T1-MRI图像的数据强度归一化。4.根据权利要求3所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述T1-MRI图像通过PhilipsAchieva3.0T扫描仪获取；获得的图像具有从头部到颈部的相同尺寸232×320×103mm3以及相同的体素尺寸0.6061×0.6061×0.8mm3；选择每个MRI切片在轴向视图中作为感兴趣区域的尺寸为128×128mm3的鼻咽区域；进行各向同性重采样以达到1.0×1.0×1.0mm3的分辨率。5.根据权利要求4所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述数据增强包括步骤：通过图像变形处理方式获得不同形状的MRI图像训练标记NPC数据；所述图像变形是将MRI图像的行和列分割成片段，从而在MRI图像中获得具有相同大小的盒子；盒子边界上的顶点表示图像变形的范围，盒子边界内的所有顶点作为源控制点，从而得到控制点的目标位置；将变形函数应用于网络中的每个顶点，获得不同形状的MRI图像训练标记NPC数据。6.根据权利要求5所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述分割NPC肿瘤包括步骤：...

【专利技术属性】
技术研发人员：王艳，何坤，林峰，吴锡，周激流，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51