【技术实现步骤摘要】
基于级联卷积神经网络的脑部胶质瘤分割
本专利技术涉及基于级联卷积神经网络的脑部胶质瘤分割，属于医学图像处理领域。
技术介绍
胶质瘤是最常见的脑部原发性恶性肿瘤，临床上，医生主要通过分析肿瘤图像来制定患者的治疗计划以及评估治疗效果。从医学图像中可以获取一些非入侵性的且容易得到的生物标记来描述肿瘤的状态和治疗反应，例如，肿瘤的轮廓特征、边界纹理、截面积和体积等，这些都是医生在制定治疗计划时必要的参考因素。肿瘤分类的第一步是对不同形态的肿瘤进行精准的分割，但目前分割的工作主要依靠人工实现，耗时且费力，并且可能导致有用信息的丢失，因此脑部胶质瘤的自动准确分割对临床医疗有着至关重要的意义。目前基于深度学习的肿瘤分割算法中，大致可以分为两个不同的类型。，一类是采用3D-CNN的肿瘤分割网络，另一类通过2DCNN对MR图像的切片进行分割，之后将分割的结果组合成一个整体。这两类方法各有其优劣势，尽管3D-CNN可以充分地利用MRI数据潜在的3D信息，但是也会有网络规模和计算成本的增加(对硬件要求比较高)以及很难找到预训练的模型(3D...
【技术保护点】
1.基于级联卷积神经网络的脑部胶质瘤分割，其特征在于，包括如下步骤：/n(1)数据预处理，将图像进行归一化；不同模态的图像经过一个特定的网络层提取特征，并将各通道结果拼接起来；去除大量0值背景像素，且只选择有肿瘤数据存在的图像层作为训练数据；/n(2)构建基于ResNet的粗分割网络，分别选取网络在不同尺度下的特征图，通过卷积和上采样操作得到与输入分辨率相同的预测值；将得到的这些预测图输入到一个卷积核大小为3×3的卷积层中得到最终的概率图；/n(3)构建融合细分割网络，包括主体为U-Net类型的2.5D细分割网络和基于DenseNet的3D细分割网络，融合2.5D和3D细分...
【技术特征摘要】
1.基于级联卷积神经网络的脑部胶质瘤分割，其特征在于，包括如下步骤：
(1)数据预处理，将图像进行归一化；不同模态的图像经过一个特定的网络层提取特征，并将各通道结果拼接起来；去除大量0值背景像素，且只选择有肿瘤数据存在的图像层作为训练数据；
(2)构建基于ResNet的粗分割网络，分别选取网络在不同尺度下的特征图，通过卷积和上采样操作得到与输入分辨率相同的预测值；将得到的这些预测图输入到一个卷积核大小为3×3的卷积层中得到最终的概率图；
(3)构建融合细分割网络，包括主体为U-Net类型的2.5D细分割网络和基于DenseNet的3D细分割网络，融合2.5D和3D细分割网络得到最终细分割网络；
(4)在每一次上采样阶段后加入注意力机制模块；将前级网络输出的尺寸为W×H×C的特征图通过全局池化转换为1×1×C的一个特征向量，并将特征向量与原来的特征图相乘；将前述相乘得到的特征图通过1×1×C的均值池化层生成一个W×H×1的注意力特征图，并将注意力图作为输出的特征图的权重；
(5)采用改进的DiceLoss损失函数，采用一个可调节权重w乘以DiceLoss函数分母中的A因子；对图像中的正样本以及负样本的像素点计算损失并对这些损失进行排序，选择其中损失最大的一部分数据进行反向传播，其余部分舍弃；
(6)采用形态学操作去除分割结果中体积较小的孤立区域；在3D的角度填补肿瘤分割结果中可能存在的空洞；统计分割结果中的连通域并取最大的两个作为最终结果，若第二大连通域小于最大连通域的10％则舍弃；采用DenseCRF对分割结果边缘进一步优化。
2.根据权利要求1所述的基于级联卷积神经网络的脑部胶质瘤分割，其特征在于：所述步骤(1)的预处理操作为：对图像进行归一化的操作，图像中的每一个像素，减去该图像的均值，之后除以对应的标准差；在图像堆叠起来之前先分别对每个模态进行特征的提取，使送入网络时从不同模态的图像中提取到的特征形式基本一致；去除脑组织周围大量的0值的背景像素，且只选择有肿瘤数据存在的图像层作为训练数据，每个病例采样100个图像块，每个图像块的中心体素按照以下概率进行随机选取：正常组织占30％、肿瘤组织占70％。
3.根据权利要求1所述...
【专利技术属性】
技术研发人员：王宜匡，万程，卜泽鹏，俞秋丽，陈志强，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32
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。