【技术实现步骤摘要】
一种全连接CRF级联FCN和K均值脑肿瘤分割算法
本专利技术涉及一种基于深度学习和传统分割算法结合的脑肿瘤分割算法，特别是一种基于全连接条件随机场（FullyConnectedConditionalRandomField，DenseCRF）后处理的级联型全卷积神经网络（FullyConvolutionNeuralNetwork，FCN)和K均值聚类算法模型融合的脑肿瘤分割算法，可用于更精确地分割脑肿瘤核磁共振图像，为脑肿瘤核磁共振图像的高精度的重复性测量和评估提供更精确的肿瘤图像。
技术介绍
为了在治疗前后用神经影像学评价脑肿瘤的表现形式以及治疗的成效，不可避免地需要对病灶区域进行高精度的重复性测量和评估，那么医学图像的精准分割是测量和评估的必要步骤，但肿瘤的构造以不同的大小、延展、位置等情况在病症中出现，使得分割算法难以在形状和位置等特征上得到像正常组织一样的分割约束。基于这些因素，精确的手动分割脑肿瘤是费时费力但必要的工作，提高自动分割脑肿瘤分割算法的精准性是非常必要的工作。随着电脑硬件的高速发展，在医学领域中，计算机辅助医学诊断方法更是已经成为医学影像、诊断...
【技术保护点】
1.一种全连接CRF级联FCN和K均值脑肿瘤分割算法，其特征在于，包括以下步骤：Step 1：建立级联型FCN脑肿瘤分割模型，用该模型对测试图像进行分割，获取FCN脑肿瘤图像分割结果，并对级联型FCN的每一级分割结果搜寻边缘框，并将边缘框作为下一级FCN和K均值聚类算法的边界限定框；Step 2：对每一级FCN的分割结果进行DenseCRF后处理操作；Step 3：使用K均值聚类算法对每一级FCN的输入图像在边界框内的部分进行分割处理，获取K均值聚类算法脑肿瘤图像分割结果；Step 4：将每一级的FCN分割结果和K均值聚类算法的分割结果进行融合，获取脑肿瘤图像的最终分割结果。
【技术特征摘要】
1.一种全连接CRF级联FCN和K均值脑肿瘤分割算法，其特征在于，包括以下步骤：Step1：建立级联型FCN脑肿瘤分割模型，用该模型对测试图像进行分割，获取FCN脑肿瘤图像分割结果，并对级联型FCN的每一级分割结果搜寻边缘框，并将边缘框作为下一级FCN和K均值聚类算法的边界限定框；Step2：对每一级FCN的分割结果进行DenseCRF后处理操作；Step3：使用K均值聚类算法对每一级FCN的输入图像在边界框内的部分进行分割处理，获取K均值聚类算法脑肿瘤图像分割结果；Step4：将每一级的FCN分割结果和K均值聚类算法的分割结果进行融合，获取脑肿瘤图像的最终分割结果。2.根据权利要求1所述的一种全连接CRF级联FCN和K均值脑肿瘤分割算法，其特征在于，所述Step1中的具体过程如下：Step1.1：使用三个FCN来分级和顺序地分割脑肿瘤的子结构，三个网络顺序定义为WNet、TNet、ENet，每一级网络都处理二元分割问题；Step1.1.1：选择搭建通用的FCN；Step1.1.2：WNet和TNet使用20个片内卷积层和4个带有两个2D下采样层的片间卷积层，ENet使用与第一个网络相同的卷积层组，但考虑到其较小的输入大小，仅使用一个下采样层；Step1.1.3：把FCN的每两个卷积层作为一个模块，加入残差模块，将每个模块的输入连接到输出，使模块参考输入来学习残差函数，使信息传播平稳并加速训练的收敛；Step1.1.4：在每一个残差模块加入扩张卷积，用于片内核以扩大切片内的感受野；Step1.2：训练级联型FCN脑肿瘤分割模型，脑肿瘤训练集来自BraTS公开挑战赛，训练时，TNet和ENet的边界框来自手动分割的真实结果；Step1.3：利用级联型FCN脑肿瘤分割模型对测试集图像进行分割；Step1.3.1：用训练好的级联型FCN分割模型分级顺序分割脑肿瘤的整个肿瘤，肿瘤核心以及增强型肿瘤核心三个部分Step1.3.2：每一级FCN分割模型分割完成后，对分割结果提取边界框作为下一级要分割的图的边界框。3.根据权利要求1所述的一种全连接CRF级联FCN和K均值脑肿瘤分割算法，其特征在于，所述Step2中的具体过程如下：Step2.1：搭建DenseCRF后处理循环网络；Step2....
【专利技术属性】
技术研发人员：侯阿临，杨理柱，刘丽伟，李阳，李秀华，梁超，杨冬，姜伟楠，季鸿坤，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林,22
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。