结合改进U-Net和CMF的三维脑肿瘤图像分割方法技术

本发明专利技术涉及一种结合改进U‑Net和CMF的三维脑肿瘤图像分割方法，包括下列步骤：1)数据预处理；2)改进的U‑Net卷积神经网络初分割：改进的U‑Net卷积神经网络包含一个用于提取特征的分析路径和一个用于恢复目标对象的合成路径；搭建好改进的U‑Net卷积神经网络模型后，利用训练集对改进的卷积神经网络模型进行训练；在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到改进的U‑Net卷积神经网络模型中，以便网络学习到不同模态的不同特征，进行更精确的分割,得到粗分割结果；3)连续最大流算法再分割。

Three-dimensional brain tumour image segmentation method based on improved U-Net and CMF

【技术实现步骤摘要】
结合改进U-Net和CMF的三维脑肿瘤图像分割方法
本专利技术是医学影像领域中的一个重要领域，将医学图像和计算机算法结合起来，完成三维脑肿瘤核磁共振图像精确分割。具体讲，涉及改进的U-Net神经网络和连续最大流三维脑肿瘤图像分割方法。
技术介绍
颅内肿瘤又称“脑瘤”，是神经外科中最常见的疾病之一。脑肿瘤是具有不同形状、大小和内部结构的异常组织，随着这种异常组织的增长，它们对周围组织施加压力，引起各种问题，因此组织类型的准确表征和定位在脑肿瘤诊断和治疗中起关键作用。神经成像方法特别是核磁共振成像(MagneticResonanceImaging，MRI)，提供关于脑肿瘤的解剖学和病理生理学信息，有助于诊断、治疗和患者的随访。脑肿瘤MRI序列包括T1加权(T1-weighted)、T1C(ContrastenhancedT1-weightedimages)、T2加权(T2-weightedimages)及FLAIR(FluidAttenuatedInversionRecovery)等成像序列，临床上通常结合四种序列图像共同诊断肿瘤的位置和大小。但由于脑肿瘤外观和形状的多变性，多模式MRI本文档来自技高网...

【技术保护点】
1.一种结合改进U‑Net和CMF的三维脑肿瘤图像分割方法，包括下列步骤：1)数据预处理：对原始脑部MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理，将预处理后的图像分为训练集和测试集；2)改进的U‑Net卷积神经网络初分割：改进的U‑Net卷积神经网络包含一个用于提取特征的分析路径和一个用于恢复目标对象的合成路径，在分析路径中，随着网络的深入，不断对输入图像的抽象表示进行编码，以提取图像丰富的特征，在合成路径中，结合分析路径中的高分辨率特征，以精确定位感兴趣的目标结构；每个路径均有五个分辨率，滤波器基数即初始通道数量为8；分析路径中，每个深度均包含两个内核大小...

【技术特征摘要】
1.一种结合改进U-Net和CMF的三维脑肿瘤图像分割方法，包括下列步骤：1)数据预处理：对原始脑部MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理，将预处理后的图像分为训练集和测试集；2)改进的U-Net卷积神经网络初分割：改进的U-Net卷积神经网络包含一个用于提取特征的分析路径和一个用于恢复目标对象的合成路径，在分析路径中，随着网络的深入，不断对输入图像的抽象表示进行编码，以提取图像丰富的特征，在合成路径中，结合分析路径中的高分辨率特征，以精确定位感兴趣的目标结构；每个路径均有五个分辨率，滤波器基数即初始通道数量为8；分析路径中，每个深度均包含两个内核大小为3×3×3的卷积层，并在它们之间加入丢失层(丢失率为0.3)以防止过度拟合，相邻的两个深度之间，采用步长为2内核大小为3×3×3的卷积层进行下采样，使特征映射的分辨率降低的同时维度加倍；合成路径中，相邻两个深度之间，采用上采样模块使特征映射的分辨率增加的同时维度减半；上采样模块包括内核大小为2×2×2的上采样层和一个内核大小为3×3×3的卷积层；在上采样之后，合成路径中的特征映射与分析路径中特征映射级联，之后是一个内核大小为3×3×3的卷积层和内核大小为1×1×1的卷积层；在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量，之后通过SoftMax层输出图像中每个体素点分别属于各个类别的概率；对所有卷积层的非线性部分采用leakyReLu激活函数；搭建好改进的U-Net卷积神经网络模型后，利用训练集对改进的卷积神经网络模型进行训练；在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到改进的U-Net卷积神...

【专利技术属性】
技术研发人员：白柯鑫，李锵，关欣，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12