基于U-Net网络和多视角融合的脑肿瘤分割方法技术

本发明专利技术涉及一种基于U‑Net网络和多视角融合的脑肿瘤分割方法，包括下列步骤：第一步，将对脑肿瘤核磁共振图像进行预处理，沿轴向、矢向和冠向三个方向裁剪成适合级联各向异性空洞卷积U‑Net网络的切块，划分训练集与测试集；第二步，用Tensorflow框架构建级联各向异性空洞卷积U‑Net网络，级联各向异性空洞卷积U‑Net网络的主体结构为三级级联：用于分割脑肿瘤整体的网络W‑Net、用于分割肿瘤核的T‑Net以及用于分割增强肿瘤的网络E‑Net，三级网络通过级联连接；第四步，测试模型。

【技术实现步骤摘要】
基于U-Net网络和多视角融合的脑肿瘤分割方法
本专利技术属于3D医学图像分割领域，涉及一种级联各向异性空洞卷积U-Net网络和多视角融合的3D脑肿瘤核磁共振图像分割方法。
技术介绍
脑肿瘤分割是将脑肿瘤患者的脑部医学影像中的肿瘤区域与健康的组织区域分割开。在脑肿瘤当中，神经胶质是最常见的肿瘤，根据肿瘤细胞的攻击性和组织学异质性，可以分为高胶质肿瘤(HGG)与低胶质肿瘤(LGG)两种。肿瘤区域可以细分为肿瘤核部分、水肿部分、增强肿瘤部分、非增强肿瘤部分以及坏死部分，现代的核磁共振图像可以有效地区分上述区域：T1、T1c、T2以及FLAIR四种模态分别对肿瘤核区域、增强肿瘤和坏死区域、水肿以及整个肿瘤区域有所侧重。由于脑肿瘤的致死率较高，医生的手动标注需要花费时间，而时间对于患者制定治疗计划、手术以及后续观察都至关重要。所以需要用机器自动标注的方法分割脑肿瘤来辅助医生诊断，在短时间内分割出肿瘤的情况，为患者争取治疗时间。现有的深度学习脑肿瘤分割方法比较常见的有FCN、U-Net和V-Net的结构，GuotaiWang在FCN的基础上加入了本文档来自技高网...

【技术保护点】
1.一种基于U-Net网络和多视角融合的脑肿瘤分割方法，包括下列步骤：/n第一步，将对脑肿瘤核磁共振图像进行预处理，沿轴向、矢向和冠向三个方向裁剪成适合级联各向异性空洞卷积U-Net网络的切块，划分训练集与测试集。/n第二步，用Tensorflow框架构建级联各向异性空洞卷积U-Net网络，级联各向异性空洞卷积U-Net网络的主体结构为三级级联：用于分割脑肿瘤整体的网络W-Net、用于分割肿瘤核的T-Net以及用于分割增强肿瘤的网络E-Net，三级网络通过级联连接：/n(1)W-Net与T-Net网络结构一致，包括编码路径、解码路径与跳层连接三部分：/na)编码路径有三层：第一层含有4个帧内卷...

【技术特征摘要】
1.一种基于U-Net网络和多视角融合的脑肿瘤分割方法，包括下列步骤：
第一步，将对脑肿瘤核磁共振图像进行预处理，沿轴向、矢向和冠向三个方向裁剪成适合级联各向异性空洞卷积U-Net网络的切块，划分训练集与测试集。
第二步，用Tensorflow框架构建级联各向异性空洞卷积U-Net网络，级联各向异性空洞卷积U-Net网络的主体结构为三级级联：用于分割脑肿瘤整体的网络W-Net、用于分割肿瘤核的T-Net以及用于分割增强肿瘤的网络E-Net，三级网络通过级联连接：
(1)W-Net与T-Net网络结构一致，包括编码路径、解码路径与跳层连接三部分：
a)编码路径有三层：第一层含有4个帧内卷积块和1个帧间卷积块；第二层含有1个降采样层、2个帧内卷积块、4个空洞帧内卷积快和1个帧间卷积块；第三层含有1个降采样层、4个帧内卷积块和一个升采样层；其中每两个帧内卷积快用残差结构连接；
b)解码路径有两层：第一层含有4个空洞帧内卷积块、2个帧内卷积块、1个帧内卷积快和1个升采样层，第二层含有4个帧内卷积块和1个帧间卷积块，其中，每两个帧内卷积快用残差结构连接；
c)跳层结构有四条：第一条跳层结构将编码路径第一层输出与解码路径第一层输出的特征图进行通道数上的拼接，作为解码路径第二层的输入；第二条跳层结构将编码路径第二层输出与编码路径第三层输出的特征图进行通道数上的拼接，作为解码路径第一层的输入；第三、第四条跳层结构将编码路径第三层输出、解码路径第一层输出的特征图与解码路径第二层输出的特征图进行通道数上的拼接，再通过一个通道数为2的卷积层得到输出结果；
(2)E-Net与W-Net和T-Net结构类似，不...

【专利技术属性】
技术研发人员：褚晶辉，黄凯隆，吕卫，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12