【技术实现步骤摘要】
基于深度学习的脑胶质瘤分割网络系统及分割方法
本专利技术涉及医学图像分割
，具体地说是一种基于深度学习的脑胶质瘤分割网络系统及分割方法。
技术介绍
在过去的几年里，深度学习特别是基于卷积神经网络的方法在医学图像语义分割方面取得了最先进的性能。智能分割脑胶质瘤对疾病诊断和临床决策具有重要意义，然而，由于肿瘤结构自身固有的异质性，准确地实现脑肿瘤的机器提取仍然是一个公认的挑战。对脑胶质瘤的机器分割可以节省医生的时间，减少患者的成本，为进一步分析和监测肿瘤提供准确而有价值的解决方案。在临床上，对脑肿瘤图像进行准确的分割对于患者的护理有着不可缺少的作用。然而，准确和鲁棒地实现智能提取脑瘤仍然是一个公认的挑战，因为有两个瓶颈：(1)这些胶质瘤具有类似天线的结构，它们经常容易扩散并且对比度差；(2)脑胶质瘤与周围组织之间界限的模糊，使得对脑胶质瘤进行分割变得非常困难。基于上述如何提升脑胶质瘤分割精度，是需要解决的技术问题。
技术实现思路
本专利技术的技术任务是针对以上不足，提供一种基于深度学习的...
【技术保护点】
1.基于深度学习的脑胶质瘤分割网络系统，其特征在于包括：/nR2MFNet网络，所述R2MFNet网络为基于循环残差卷积神经网络和3D多纤维网络构成的网络，用于提取特征以输出特征图，上述R2MFNet网络共N个，N大于等于2，上述N个R2MFNet网络依次连接，位于传输末端的R2MFNet网络作为末端R2MFNet网络，其它R2MFNet网络作为中间R2MFNet网络；/n池化层，所述池化层共N-1个并与中间R2MFNet网络一一对应，每个R2MFNet网络的输出端均连接有一个池化层；/n上采样模块，所述上采样模块共N个，上述N个上采样模块依次连接，位于传输末端的上采样模块...
【技术特征摘要】
1.基于深度学习的脑胶质瘤分割网络系统，其特征在于包括：
R2MFNet网络，所述R2MFNet网络为基于循环残差卷积神经网络和3D多纤维网络构成的网络，用于提取特征以输出特征图，上述R2MFNet网络共N个，N大于等于2，上述N个R2MFNet网络依次连接，位于传输末端的R2MFNet网络作为末端R2MFNet网络，其它R2MFNet网络作为中间R2MFNet网络；
池化层，所述池化层共N-1个并与中间R2MFNet网络一一对应，每个R2MFNet网络的输出端均连接有一个池化层；
上采样模块，所述上采样模块共N个，上述N个上采样模块依次连接，位于传输末端的上采样模块作为末端上采样模块，其它上采样模块作为中间上采样模块，上述中间上采样模块与上述中间R2MFNet网络一一对应，每个中间上采样模块和与其对应的中间R2MFNet网络的输出端连接，位于传输首端的中间上采样模块连接于末端R2MFNet网络的输出端，所述上采样模块用于将来自对应中间R2MFNet网络的特征图与上采样模块自身的特征映射连接；
末端卷积层，所述末端卷积层位于上述N-1个上采样模块的输出端，用于计算目标类的概率。
2.根据权利要求1所述的基于深度学习的脑胶质瘤分割网络系统，其特征在于还包括：
首端卷积层，所述首端卷积层连接于上述N个R2MFNet网络的输入端，用于对输入的图像进行尺寸剪裁。
3.根据权利要求1或2所述的基于深度学习的脑胶质瘤分割网络系统，其特征在于所述R2MFNet网络包括：
循环残差卷积神经网络，所述循环残差卷积神经网络包括循环卷积神经网络和残差网络，在每个时间步长，循环卷积层用于接收一个新的输入、并基于当前输入和以前的时间步长信息生成一个输出，所述循环卷积层的输出作为残差部分，所述当前输入作为直接映射部分，所述循环残差卷积神经网络的输出由上述直接映射部分和残差部分组成，上述循环残差卷积神经网络共多个；
Multiplexer网络，所述Multiplexer网络分别与上述每个循环残差卷积神经...
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。