一种基于深度神经网络的脑转移瘤分割系统及其构建方法技术方案

本发明专利技术公开了一种基于深度神经网络的脑转移瘤分割系统及其构建方法，涉及图像分割领域，包括数据预处理模块、模型构建模块及模型训练模块；所述数据预处理模块用于消除MRI图像数据中的无关因素，使用精确直方图匹配算法进行处理用于避免不同的来源数据间存在的差异，使用数据增广的方法来获取一个更加鲁棒的模型构建模块；所述模型构建模块用于通过设计的深度神经网络模型从输入MRI图像数据中提取抽象特征；模型训练模块用于在构建完深度神经网络模型后，对模型构建模块中构建的模型进行训练，找到一组合适的权值，使得深度神经网络模型对目标函数最小。相对于现有技术本发明专利技术提供了一种比较成熟的脑转移瘤靶区自动勾画系统。

【技术实现步骤摘要】
一种基于深度神经网络的脑转移瘤分割系统及其构建方法
本专利技术涉及图像分割领域，具体的涉及一种基于深度神经网络的脑转移瘤分割系统及其构建方法。
技术介绍
脑转移瘤是原发于中枢神经系统以外，通过不同途径播散进入脑组织的肿瘤，是目前成人最常见的颅内肿瘤，是全身性肿瘤致残致死的主要原因。其发病率正随着全身肿瘤治疗的进展和肿瘤总生存期的延长而不断增长。全脑放射治疗(WBRT)来是治疗脑转移瘤的主要手段之一，降低脑转移瘤的死亡率，改善了生存质量，但其显著的降低患者神经认知功能。近年来，越来越多的证据支持使用立体定向放射外科(SRS)，外科(SRS)作为单一疗法得到了广泛的应用，且神经认知副作用最少。全脑放疗(WBRT)通常只适用于非常弥漫性疾病或没有可靠的全身药物的软脑膜病变。立体定向放射外科(SRS)是应用离子射线通过精确靶点照射来治疗颅内疾病的一种无创不开颅的治疗方法。患者在接受SRS治疗之前，需拍摄磁共振图像（MagneticResonanceImaging,MRI），再由专业医生精确勾画出患者的靶区，实现摧毁癌细胞的同时，尽可能减少正常组本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的脑转移瘤分割系统，其特征在于，包括数据预处理模块、模型构建模块及模型训练模块；/n所述数据预处理模块对脑部MRI图像数据进行脑部区域提取以消除MRI图像数据中的无关因素；使用精确直方图匹配算法进行处理脑部MRI图像以避免不同的来源数据间存在的差异；使用数据增广的方法扩充训练样本的多样性；/n所述模型构建模块用于通过设计的深度神经网络模型从输入MRI图像数据中提取抽象特征；/n模型训练模块用于在构建完深度神经网络模型后，对模型构建模块中构建的模型进行训练，找到一组合适的权值，使得深度神经网络模型对目标函数最小。/n

【技术特征摘要】
1.一种基于深度神经网络的脑转移瘤分割系统，其特征在于，包括数据预处理模块、模型构建模块及模型训练模块；
所述数据预处理模块对脑部MRI图像数据进行脑部区域提取以消除MRI图像数据中的无关因素；使用精确直方图匹配算法进行处理脑部MRI图像以避免不同的来源数据间存在的差异；使用数据增广的方法扩充训练样本的多样性；
所述模型构建模块用于通过设计的深度神经网络模型从输入MRI图像数据中提取抽象特征；
模型训练模块用于在构建完深度神经网络模型后，对模型构建模块中构建的模型进行训练，找到一组合适的权值，使得深度神经网络模型对目标函数最小。


2.根据权利要求1所述的一种基于深度神经网络的脑转移瘤分割系统，其特征在于，所述模型构建模块设计的深度神经网络模型包括编码模块、融合模块、解码模块三个模块；
所述编码模块的编码器由一系列的下采样模块构成，下采样模块之间使用2x2最大池化层连接，池化层用于提取MRI图像数据的特征，同时每个下采样模块都与同级和下级的特征融合模块之间存在特征图的传输，使多层次特征能够得到很好的融合；
所述融合模块包括多个特征融合模块，特征融合模块是由五个卷积模块构成，卷积模块与卷积模块之间存在着捷径连接，从上往下每一级卷积模块都存在着与多个下级卷积模块的捷径连接；特征融合模块至少有一个外部输入；
所述解码模块用于将特征恢复到原始输入的大小，并在像素级为输入图像进行归类；解码模块的上采样模块包括三个卷积模块串联而成，上采样模块间是由多个向上取样层连接成，解码模块的输入来自特征融合模块融合的多层次特征，从而使模型收敛。


3.根据权利要求2所述的一种基于深度神经网络的脑转移瘤分割系统，其特征在于，所述编码器的下采样模块是由一个1x1卷积层加三个空洞卷积层构成的，最后输出是由三个空洞卷积层的输出合并而成。


4.一种基于深度神经网络的脑转移瘤分割系统的构建方法，其特征在于，包括如下步骤：
步骤1：数据预处理：包括脑部区域提取、对比度统一及数据增广；
步骤2：模型构建：包括构建编码模块、构建融合模块及构建解码模块；
步骤3：模型训练：包括前向计算、权值更新及模型测试。


5.根据权利要求4所述的一种基于深度神经网络的脑转移瘤分割系统的构建方法，其特征在于，所述数据预处理具体包括以下步骤：
步骤一：脑部区域提取：首先读入MRI图像数据的序列，使用骨骼的窗宽窗位转换MRI图像数据数组；遍历所有序列的MRI图像数据，对每张MRI图像数据使用阈值法提取包含头骨的最小矩形，记录最小矩形左上角和右下角的坐标；遍历完成后，取序列中提取到的所有最小矩形中面积最大的矩形，然后将面积最大的矩形的短边长度两边扩展，使得短边长度等于长边，得到一个正方形，使用所述正方形坐标提取所有序列的MRI图像数据中所有帧的有效区域；最后将得到的有效区域使用三次立方插值法统一尺寸到Nx256x256；
步骤二：对比度统一：采用精确直方图匹配算法通过制定所需的图像的直方图来改善原图像的对比度；
步骤三：数据增广：在使用模型训练数据前，对输入的经过步骤一和步骤二处理后的MRI图像数据根据窗位进行归一化操作，并进行随机翻转、平移、旋转，扩充训练样本的多样性，从而使模型学习到具有更强鲁棒性的特征，缓解模型的过拟合现象。


6.根据...

【专利技术属性】
技术研发人员：王晓宇，章毅，陈兢，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51