一种基于UNet++优化和权值预算的脑肿瘤分割算法制造技术

针对脑肿瘤磁共振成像（MRI）多模态精准分割，3D脑肿瘤分割网络比2D脑肿瘤分割网络在学习过程中，更好保存中间层信息，分割效果更好，但是在肿瘤内部组织分割时，效果总是差强人意。引入基于UNet网络改进的UNet++网络，利用其网络结构连结紧密的特点，提高了脑肿瘤内部组织分割精度。再在其中加入残差模块解决信息损失和网络训练时退化的问题，从而构造合适的网络结构。但是构建的网络结构复杂训练时间缓慢，在此基础上利用权值预算，解决了其训练缓慢的同时也提高了分割精度。实验结果表明改进的网络对于脑肿瘤内部分割效果良好，并具有比典型脑肿瘤分割方法更优的性能。

【技术实现步骤摘要】
一种基于UNet++优化和权值预算的脑肿瘤分割算法
本专利技术提出一种基于深度学习的脑肿瘤分割算法，采用的是一种基于UNet++优化和权值预算的脑肿瘤分割算法。改进的UNet++网络模型可用于更精确地分割脑肿瘤核磁共振图像，它可以在保证整体分割精度的同时，对脑肿瘤内部组织更精确的分割。权值预算的使用，可以解决UNet++网络结构复杂导致的训练时间缓慢问题，同时对于脑肿瘤内部组织分割，比直接训练效果更佳。
技术介绍
目前，医院在制定放疗计划时普遍采用手工勾画的方式来确定放疗靶区。然而，手工勾画存在诸多弊端：一方面，医生的筛查过程非常耗时；另一方面，由于恶性肿瘤的侵入性生长在图像中边界并不明显。同时，不同医生对同一个病人的脑肿瘤图像或是同一个医生在不同时期对同一个病人的脑肿瘤图像的分割结果存在一定的差异。脑肿瘤分割由于其大小、形状和结构的变化，以及邻近组织和设备噪声的影响，准确地从MRI脑图像定位和分割肿瘤是非常具有挑战性的。研究肿瘤图像的精准分割方法，为肿瘤靶区的勾画提供快捷且重复性较高的方案，成为图像引导放疗
的一个重要研究分支。本文档来自技高网...

【技术保护点】
1.一种基于UNet++优化和权值预算的脑肿瘤分割算法，其特征在于，包括以下步骤：/nStep 1：数据预处理，将数据集根据需求改为网络可训练的大小；/nStep 2：构建改进的3DUNet网络结构，用该模型对测试图像进行分割，获取脑肿瘤图像分割结果，保存最终的网络权值；/nStep 3：建立改进的3DUNet++网络结构，保留其优秀的密集连接，同时删除一些不必要的结构；/nStep 4：使用保存的改进的UNet网络模型的最终权重，作为改进的3DUnet++网络结构的初始权重进行训练，获取脑肿瘤图像分割结果。/n

【技术特征摘要】
1.一种基于UNet++优化和权值预算的脑肿瘤分割算法，其特征在于，包括以下步骤：
Step1：数据预处理，将数据集根据需求改为网络可训练的大小；
Step2：构建改进的3DUNet网络结构，用该模型对测试图像进行分割，获取脑肿瘤图像分割结果，保存最终的网络权值；
Step3：建立改进的3DUNet++网络结构，保留其优秀的密集连接，同时删除一些不必要的结构；
Step4：使用保存的改进的UNet网络模型的最终权重，作为改进的3DUnet++网络结构的初始权重进行训练，获取脑肿瘤图像分割结果。


2.根据权利要求1所述的一种基于UNet++优化和权值预算的脑肿瘤分割算法，其特征在于，所述Step1中的具体过程如下：
Step1.1将数据分块；
Step1.2采用Z-score方法分别标准化每个模态的图像，图像减去均值除以标准差；
利用Z-score标准化：



其中μ为所有样本数据的均值，σ为所有样本数据的标准差；
Step1.3对图像进行剪裁，去除无效区域；
Step1.4将四个模态合并成四个通道，保存后其大小为16×160×160×4；
相对应的Mask在分块后，将三个标签合并成三个嵌套的子区域，最后合并为三个通道，分别为WT、TC、ET,数值大小为0或1，最后保存大小为16×160×160×3。


3.根据权利要求1所述的一种基于UNet++优化和权值预算的脑肿瘤分割算法，其特征在于，所述Step2中的具体过程如下：
Step2.1使用3DUNet网络加上残差模块构成脑肿瘤分割网络模型；
Step2.1.1构建的网络模型使用3次下采样和3次上采样保留原始的U形对称结构，每次上采样和下采样过程中使用两次3D卷积，卷积核大小为3，每次卷积后使用一次归一化（BatchNorm，BN）和一次非线性Relu，下采样使图片大小变为原来的1/2；
上采样使图片大小变为原来的2倍，并在最后一次下采样和第一次上采样之前加入一次残差模块，防止网络过深信息丢失和网络退化；
一个残差块可以用表示为：



残差块分成两部分直接映射部分和残差部分，其中为直接映射部分，为残差部分；
Step2.1.2在上面的网络模型后再加入一次3D卷积，使通道数变为3，使输出与处理后的医生标注图片一致；
Step2.2将数据集放入网络进行训练和测试，得到最优的网络分割结果，并将该网络最优分割结果的权值保存；
训练采用了混合损失函数BCEDiceLoss，它是由二分类的交叉熵（binary_cross_entropy）和医学影像损失DiceLoss组合而成；
计算二分类的交叉熵的具体过程：
首先对损失输入进行判断；
医生标注的分割图片已经被预处理为0或1，对应的是二分类问题，实际网络模型训练的输出（损失输入）每一个点即为一个结点，根据这个结点是否大于0.5来做二分类；
再根据损失输入和预处理后的医生分割图片对应结点计算交叉熵：

【专利技术属性】
技术研发人员：侯阿临，吴浪，孙弘建，杨骐豪，崔博，姬鹏，季鸿坤，刘丽伟，李秀华，梁超，杨冬，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林;22