【技术实现步骤摘要】
一种基于U-Net网络的脑肿瘤分割网络及分割方法
本专利技术涉及神经网络及空洞卷积
，尤其涉及一种基于U-Net网络的脑肿瘤分割网络及分割方法。
技术介绍
胶质瘤是脑内最常见的原发性肿瘤之一，它们生长于胶质瘤细胞，可分为低级别胶质瘤和高级别胶质瘤。高级别胶质瘤(HGG)对患者更具侵袭性，其预期寿命至多为两年，低级别胶质瘤(LGG)为良性或恶性，在患者体内生长较慢，预期寿命为几年。良性肿瘤在通过手术治疗后一般能够恢复健康，恶性肿瘤则因其顽固性难以治愈，严重危害到人类生命健康，因此如何对恶性肿瘤进行更好地诊断和治疗至关重要。随着医学影像技术的发展，影像诊断在疾病诊断中发挥的作用越来越重要。医学影像技术主要包括X线检查、计算机断层成像(CT)、超声(Ultrasound)和磁共振成像(MRI)等。其中，MRI具有如下优点：(1)具有的清晰度和组织分辨率高，能够提供多种信息诊断能力，通过设置不同参数实现多个解剖部位断层成像；(2)具有非侵入性，能在患者不接受高电离辐射的情况下提供详尽的图像形状、大小及位置等信息；(3)...
【技术保护点】
1.一种基于U-Net网络的脑肿瘤分割网络，其特征在于：包括收缩径路、扩张路径和网络跳跃连接部分；/n收缩路径包括四个下采样层，下采样层采用3×3的卷积层并且进行一次批标准化计算，相邻两个卷积层之间进行最大池化操作，收缩路径末尾连接有空间金字塔池化结构；/n扩张路径包括四个上采样层，上采样层采用3×3的卷积层并且进行放大倍数为2×2的上采样计算，在原有图像像素的基础上在像素点之间采用双线性内插值算法插入新元素；/n网络跳跃连接部分引入不同尺度的空洞卷积，并且采用Add操作与原始输入形成一个带有空洞卷积的残差块，扩大收缩路径中的浅层特征信息的感受野，然后与对应阶段的扩张路径融合。/n
【技术特征摘要】
1.一种基于U-Net网络的脑肿瘤分割网络，其特征在于：包括收缩径路、扩张路径和网络跳跃连接部分；
收缩路径包括四个下采样层，下采样层采用3×3的卷积层并且进行一次批标准化计算，相邻两个卷积层之间进行最大池化操作，收缩路径末尾连接有空间金字塔池化结构；
扩张路径包括四个上采样层，上采样层采用3×3的卷积层并且进行放大倍数为2×2的上采样计算，在原有图像像素的基础上在像素点之间采用双线性内插值算法插入新元素；
网络跳跃连接部分引入不同尺度的空洞卷积，并且采用Add操作与原始输入形成一个带有空洞卷积的残差块，扩大收缩路径中的浅层特征信息的感受野，然后与对应阶段的扩张路径融合。
2.根据权利要求1所述的基于U-Net网络的脑肿瘤分割网络，其特征在于：所述残差块包括四个不同尺度的空洞卷积层，每个空洞卷积层均连接对应下采样层的输出，空洞卷积层输出结果与对应下采样层输出通过Add操作构成一个残差连接，每个残差连接的输出结果通过Merge操作与对应低一层次的上采样数据在Z轴上进行融合，融合后的特征图像最终用作对应上采样层的输入。
3.根据权利要求2所述的基于U-Net网络的脑肿瘤分割网络，其特征在于：四个空洞卷积层的采样率分别为16、8、2和4。
4.根据权利要求2所述的基于U-Net网络的脑肿瘤分割网络，其特征在于：所述空间金字塔池化结构包括BN模块和四个尺度的3×3的空洞卷积层，先对输入图像进行批标准化操作并输出特征图，然后对特征图进行3×3的空洞卷积级联，四个空洞卷积层的采样率分别为2、4、8和16。
5.根据权利要求2所述的基于U-Net网络的脑肿瘤分割网络，其特征在于：所述卷积层中加入了BN模块。
6.一种基于权利要求2所述基于U-Net网络的脑肿瘤分割网络的分割方法，其特征在于：包括以下步骤：
A、建立训练数据集并对训练数据集进行裁剪预处理，生成具有四种模态的二维图像作为训练阶段的输入；
B、构建基于U-Net网络的脑肿瘤分割网络DCU-Net；具体过程如下：
b1：使用多尺度空间金字塔池化替换U-Net收缩路径末端的最大池化，在保持图像分辨率的同时，扩大特征感受野；具体为：空间金字塔池化先对输入图像进行批标准化，然后分别对输入图像进行四个尺度的3×3空洞卷积级联，提取不同感受野的特征图并将特征信息进行融合，最后级联输出不同感受野抓取的特征图；
b2：在U-Net的跳跃连接部分通过Add操作引入空...
【专利技术属性】
技术研发人员：杨铁军，周玉丹，朱春华，李磊，樊超，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41
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。