脑肿瘤图像分割方法、系统及计算机可读存储介质技术方案

本发明专利技术公开了一种脑肿瘤图像分割方法、系统及计算机可读存储介质，所述脑肿瘤图像分割方法包括：获取脑肿瘤图像，并对所述脑肿瘤图像进行预处理，得到预处理图像；构建基于分阶段式残差结构的U‑Net3+网络模型；其中，所述U‑Net3+网络模型使用FRN标准化层；输入所述预处理图像至所述U‑Net3+网络模型中进行训练，得到脑肿瘤分割图像。本发明专利技术能够较准确地提取脑肿瘤图像中的特征，有效提高了脑肿瘤图像的分割精度。

【技术实现步骤摘要】
脑肿瘤图像分割方法、系统及计算机可读存储介质
本专利技术涉及生物识别
，特别涉及一种脑肿瘤图像分割方法、系统及计算机可读存储介质。
技术介绍
脑肿瘤是众多高死亡率疾病之一。近年来，脑肿瘤的发生率逐年增加，并且年轻化的趋势明显。在脑部核磁图像中，脑肿瘤图像的分割在脑肿瘤的诊断和治疗中起着十分重要的作用。以往，该过程通常由医生手工完成，然而手工的分割费时费力，且容易引入人的主观误差，例如，脑肿瘤病变区域的边缘存在模糊不清，灰度变化等问题时，对于医生而言，手动定位和勾画脑肿瘤病变区域的过程是一件非常费时费力的工作，且易受医生的主观判断和经验程度不同的影响。因此，针对脑肿瘤图像分割方法变得尤为重要。现有的脑肿瘤图像分割方法，通常是采用U型卷积神经网络(U-Net)对脑肿瘤图像进行训练以实现对脑肿瘤图像的分割，但是采用这种脑肿瘤图像分割方法，无法对脑肿瘤图像中的特征进行有效提取，从而导致对脑肿瘤图像的分割精度较低。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种脑肿瘤图像分割方本文档来自技高网...

【技术保护点】
1.一种脑肿瘤图像分割方法，其特征在于，包括以下步骤：/n获取脑肿瘤图像，并对所述脑肿瘤图像进行预处理，得到预处理图像；/n构建基于分阶段式残差结构的U-Net3+网络模型；其中，所述U-Net3+网络模型使用FRN标准化层；/n输入所述预处理图像至所述U-Net3+网络模型中进行训练，得到脑肿瘤分割图像。/n

【技术特征摘要】
1.一种脑肿瘤图像分割方法，其特征在于，包括以下步骤：
获取脑肿瘤图像，并对所述脑肿瘤图像进行预处理，得到预处理图像；
构建基于分阶段式残差结构的U-Net3+网络模型；其中，所述U-Net3+网络模型使用FRN标准化层；
输入所述预处理图像至所述U-Net3+网络模型中进行训练，得到脑肿瘤分割图像。


2.根据权利要求1所述的脑肿瘤图像分割方法，其特征在于，所述获取脑肿瘤图像，并对所述脑肿瘤图像进行预处理，得到预处理图像，包括：
获取脑肿瘤图像，对所述脑肿瘤图像中的多个模态的脑肿瘤数据进行标准化处理，得到多个所述模态的标准化的脑肿瘤数据；
定义若干个标签，并将若干个所述标签划分成三个不同的分割区域；其中，三个所述不同的分割区域包括整体肿瘤区域、肿瘤核心区域和增强肿瘤区域；
将三个所述不同的分割区域以及多个所述模态的标准化的脑肿瘤数据分别进行通道合并，得到合并图像；
裁剪所述合并图像，得到裁剪图像，并对所述裁剪图像进行切片处理，得到预处理图像。


3.根据权利要求1所述的脑肿瘤图像分割方法，其特征在于，所述构建基于分阶段式残差结构的U-Net3+网络模型；其中，所述U-Net3+网络模型使用FRN标准化层，包括：
构造四层下采样与四层上采样；
采用具有四层所述下采样与四层所述上采样、全尺度跳跃连接和FRN标准化层的U-Net3+网络结构；
将分阶段式残差结构结合至所述U-Net3+网络结构中的编码部分，以构建基于分阶段式残差结构的U-Net3+网络模型。


4.根据权利要求3所述的脑肿瘤图像分割方法，其特征在于：所述分阶段式残差结构包括开始残差块、结束残差块和若干个中间残差块。


5.根据权利要求3所述的脑肿瘤图像分割方法，其特征在于：所述U-Net3+网络结构还包括阈值线性单元激活函数。


6.根据权利要求5所述的脑肿瘤图像分割方法，其特征在于：所述FRN标准化层的计算公式为：
v2＝∑...

【专利技术属性】
技术研发人员：秦传波，吴雨杰，廖文斌，曾军英，余振辉，万昕，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44