一种基于强化学习方法的医学图像分割方法技术

本发明专利技术公开了一种基于强化学习方法的医学图像分割方法，包括以下步骤：采集待分割医学3D图像和训练医学3D图像，将待分割医学3D图像和训练医学3D图像顺序且均匀地分片，得到待分割的2D医学图像序列和训练2D医学图像序列；建立神经网络模型，根据强化学习方法并通过训练2D医学图像序列对神经网络模型进行训练；将待分割的2D医学图像序列依次输入训练完成的神经网络模型，得到分割结果。本发明专利技术提高了医学图像的分割效率，且能够高精度地对脑部肿瘤图像进行分割。

A medical image segmentation method based on Reinforcement Learning

【技术实现步骤摘要】
一种基于强化学习方法的医学图像分割方法
本专利技术属于图像分割领域，具体涉及一种基于强化学习方法的医学图像分割方法。
技术介绍
在过去的几十年中，医学成像技术已被用于早期检测，诊断和治疗疾病。尤其是脑肿瘤的诊断与分析领域，核磁共振成像(MRI)已经被广泛应用，脑部MRI图像具有四种模态：T1、T1C、T2和FLAIR，其区别在于：不同模态对于不同脑肿瘤组织结构的反应程度不同，使得其在成像时亮度、纹理具有一定差异，放射科医师和临床医生据此来判断脑肿瘤的大小、结构、严重程度等，因此，MRI图像在脑肿瘤的在临床诊断和治疗具有重要价值。然而，针对MRI图像中脑肿瘤组织的分割却是广泛地由放射科医师和临床医生手动标注的。一方面，脑作为人体最复杂的器官，其成像后的脑部影像也会因个人差异而体现出不同的特征，所以脑部MRI图像具有较高的复杂性，并且，受到灰度不均匀性、伪影等因素的影响，使得脑肿瘤的分割任务成为了一个巨大的挑战；另一方面，手动分割MRI图像中的脑肿瘤组织区域不仅对医生的专业性要求很高，而且费时费力，严重影响工作效率，浪费医疗资源。传统的图像本文档来自技高网...

【技术保护点】
1.一种基于强化学习方法的医学图像分割方法，其特征在于，包括以下步骤：/nS1、采集待分割医学3D图像和训练医学3D图像，将待分割医学3D图像和训练医学3D图像顺序且均匀地分片，得到待分割的2D医学图像序列和训练2D医学图像序列；/nS2、建立神经网络模型，根据强化学习方法并通过训练2D医学图像序列对神经网络模型进行训练；/nS3、将待分割的2D医学图像序列依次输入训练完成的神经网络模型，得到分割结果。/n

【技术特征摘要】
1.一种基于强化学习方法的医学图像分割方法，其特征在于，包括以下步骤：
S1、采集待分割医学3D图像和训练医学3D图像，将待分割医学3D图像和训练医学3D图像顺序且均匀地分片，得到待分割的2D医学图像序列和训练2D医学图像序列；
S2、建立神经网络模型，根据强化学习方法并通过训练2D医学图像序列对神经网络模型进行训练；
S3、将待分割的2D医学图像序列依次输入训练完成的神经网络模型，得到分割结果。


2.根据权利要求1所述的基于强化学习方法的医学图像分割方法，其特征在于，所述神经网络模型包括输入层、特征提取模块、分割模块、掩码生成模块、缓存层和输出层；
所述输入层、特征提取模块、分割模块、缓存层和输出层依次连接，所述掩码生成模块分别与特征提取模块、分割模块和缓存层连接。


3.根据权利要求2所述的基于强化学习方法的医学图像分割方法，其特征在于，所述特征提取模块包括依次连接的第一下采样单元、第二下采样单元、第三下采样单元和第四下采样单元；
所述分割模块包括依次连接的第一上采样单元、第二上采样单元、第三上采样单元和第四上采样单元；
所述掩码生成模块包括依次连接的第一卷积层、第二卷积层、第三卷积层、循环神经网络层、全连接层、最大价值操作选择层和掩码生成层；
所述输入层的输出端还与第四上采样单元连接，所述第一下采样单元的输出端还与第三上采样单元连接，所述第二下采样单元的输出端还与第二上采样单元连接，所述第三下采样单元的输出端还与第一上采样单元连接，所述第四下采样单元的输出端还与第一卷积层的输入端连接；
所述掩码生成层的输入端还与缓存层的输出端连接，所述掩码生成层的输出端分别与第一上采样单元的输入端、第二上采样单元的输入端、第三上采样单元的输入端和第四上采样单元的输入端连接。


4.根据权利要求3所述的基于强化学习方法的医学图像分割方法，其特征在于，所述第一下采样单元、第二下采样单元、第三下采样单元和第四下采样单元结构相同，且均包括若干依次连接的残差结构，所述残差结构包括依次连接的第四卷积层、第五卷积层、第六卷积层和...

【专利技术属性】
技术研发人员：丁熠，张铭丰，耿技，秦志光，弓霖芃，杨祺琪，郑伟，张超，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51