【技术实现步骤摘要】
基于深度学习的脑瘤图像分割方法、装置、设备及介质
本专利技术涉及脑胶质瘤图像分割
，尤其涉及一种基于深度学习的脑瘤图像分割方法、装置、设备及介质。
技术介绍
脑胶质瘤是最常见的颅内原发恶性肿瘤，根据肿瘤恶性程度可分为WHOI-IV级，随级别增加，恶性程度增高，不同级别、不同基因突变的脑胶质瘤的治疗方式和预后存在差异。因此如果能够在进行手术治疗前对肿瘤区域、肿瘤级别进行准确的分割与判断，将有助于指导治疗方案和手术切除区域的选择，对提高患者治疗效果、改善预后有着重要价值。传统的脑胶质瘤分割过程中，临床医生需要借助图像处理软件对患者的脑胶质瘤区域进行手动或者半自动分割，工作量大且耗时较长，且人工分割受到主管影响容易出现内部评分错误，导致对脑胶质瘤分割的准确性不高。近年来随着技术的发展，磁共振成像(MRI)成为颅内各种疾病的主要影像检查技术，利用MRI图像能够更敏感地发现病变并显示病变特征，有利于疾病的检出和准确诊断。但现有的一些自动的脑瘤图像分割方法中，对磁共振成像进行分割结果并不理想。比如，基于常规卷积神经...
【技术保护点】
1.一种基于深度学习的脑瘤图像分割方法，其特征在于，包括：/n获取多模态的脑部核磁共振图像；/n对所述脑部核磁共振图像进行预处理，以获得去除头盖骨部分的目标图像；/n将所述目标图像输入预设脑瘤分割模型，以获取脑瘤图像分割结果，所述预设脑胶质瘤分割模型为根据自适应分割框架和去除头盖骨部分的脑部核磁共振图像进行交叉验证训练获得的深度学习模型，所述自适应分割框架包括多个不同种类的U-Net模型和U-Net集成模型。/n
【技术特征摘要】
1.一种基于深度学习的脑瘤图像分割方法，其特征在于，包括：
获取多模态的脑部核磁共振图像；
对所述脑部核磁共振图像进行预处理，以获得去除头盖骨部分的目标图像；
将所述目标图像输入预设脑瘤分割模型，以获取脑瘤图像分割结果，所述预设脑胶质瘤分割模型为根据自适应分割框架和去除头盖骨部分的脑部核磁共振图像进行交叉验证训练获得的深度学习模型，所述自适应分割框架包括多个不同种类的U-Net模型和U-Net集成模型。
2.如权利要求1所述的基于深度学习的脑瘤图像分割方法，其特征在于，所述预设脑瘤分割模型通过如下方式获取：
获取多模态的核磁共振脑瘤图像，并对所述多模态的核磁共振脑瘤图像进行处理，以获得去除头盖骨部分的脑瘤图像样本数据；
建立包括多个U-Net结构的自适应分割框架，所述自适应分割框架包括2DU-Net模型、3DU-Net模型和两个3DU-Net集成模型；
根据所述脑瘤图像样本数据对所述自适应分割框架中的所有U-Net结构进行五折交叉验证训练，以获得所述预设脑瘤分割模型。
3.如权利要求2所述的基于深度学习的脑瘤图像分割方法，其特征在于，在所述进行五折交叉验证训练的过程中，模型训练的超参数通过如下方式确定：
确定模型训练设备的中央处理器的显存消耗范围；
在所述显存消耗范围内，根据所述训练图像的形状调整所述模型训练的超参数，所述超参数包括步长大小、图像分块大小和每个轴的池化次数。
4.如权利要求2任一项所述的基于深度学习的脑瘤图像分割方法，其特征在于，所述对所述多模态的磁共振脑瘤图像进行处理，以获得去除头盖骨部分的脑瘤图像样本数据，包括：
将所述多模态的核磁共振脑瘤图像采用刚体配准为T1c核磁共振图像；
去除所述T1c核磁共振图像中的头盖骨部分，获得预处理核磁共振图像；
接收对所述预处理核磁共振图像中不同像素区域的标注指令，以根据所述标注指令对所述预处理核磁共振图像进行像素标注，所述像素标注包括非肿瘤区域、坏死、水肿、非增强肿瘤和增强肿瘤；
将所述像素标注完成后的所有所述预处理核磁共振图像作为所述脑瘤图像样本数据。
5.如权利要求2所述的基于深度学习的脑瘤图像分割方法，其特征在于，所述根据所述脑瘤图像样本数据对所述自适应分割框架中的所有U-Net结构进行所述五折交叉验证训练，以获得所述预设脑瘤分割模型，包括：
根据...
【专利技术属性】
技术研发人员：张成奋，王玥，吕彬，吕传峰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
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。