核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法技术

本发明专利技术公开了一种核磁共振影像(Magnetic Resonance Imaging，MRI)中脑胶质瘤识别与分割的两阶段计算方法，其步骤为：1.对网格化处理的图像采用卷积神经网络进行疑似肿瘤区域的识别和粗定位；2.提取104

【技术实现步骤摘要】
核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法


[0001]本专利技术属于计算机视觉和模式识别领域，具体涉及一种针对核磁共振影像 (MRI)进行脑胶质瘤识别和分割的两阶段计算方法，所述方法能够通过两阶段计算将MRI图像中脑胶质瘤进行快速识别和粗定位以及精准分割，并且清晰标注脑胶质瘤中的不同肿瘤组织，为脑胶质瘤的自动化识别和分割提供更为精准快速的方案。

技术介绍

[0002]胶质母细胞瘤是一种脑部常见的具有侵润性的肿瘤，也是脑部死亡率最高的肿瘤，脑胶质瘤可以以任何形态、在任何时间出现在大脑的任何位置，由于大脑的不同区域组织结构差异较大，所以给脑胶质瘤的精准分割带来较大困难。同时，传统的手动分割方法需要消耗大量的人力和时间，而且对分割人员的师资水平有较高的要求。所以，实现脑胶质瘤的自动化精准分割有利于弥补传统手动分割方法的缺点，并且有利于早期筛查以及肿瘤后期治疗与恢复。因此，对脑胶质瘤的自动化精准分割能够有效提高医疗辅助诊断过程的自动化能力，也是提高诊断效率和准确率的重要手段。
[0003]目前针对脑胶质瘤的分割方法大致可分为两类：一类是基于图像灰度信息的分割方法，如基于区域生长和水平集技术的分割方法等，但这类方法不适合处理高级别的胶质瘤，对非增强的肿瘤图像可能会失效。另一类主要基于卷积神经网络(Convolutional neural network，CNN)的方法。CNN能够直接从卷积核中获得图像信息，在图像分类、图像分割和目标检测等方面取得了重大突破。但是此类方法更侧重对图像纹理信息的处理，且大都从图像全局考虑分割结果，缺乏在像素级别上做区分的能力。本专利技术通过提取图像的影像组学信息并融合通过CNN获取的图像高阶信息来构造更为丰富的特征集，同时通过基于两阶段计算的集成学习过程来提高整体的图像识别效率和肿瘤分割准确率。

技术实现思路

[0004]针对传统方法在分割过程需要人工干预以及分割结果易受图像噪声和强度不均匀性影响等问题，本文提出了一种新的脑胶质瘤分割方法，该方法结合了卷积神经网络和集成学习的优势，将网格化后的MRI图像通过卷积神经网络模型进行肿瘤识别并粗定位肿瘤的位置，再采用集成学习方法在多模态核磁共振图像中进行精细化肿瘤分割。为此，需要解决的关键技术问题包括：肿瘤快速识别、特征提取、融合与选择、精细化分割。
[0005]为实现上述目的，本专利技术的具体技术方案如下：
[0006]核磁共振影像(Magnetic Resonance Imaging，MRI)中脑胶质瘤识别与分割的两阶段计算方法，所述方法包括以下步骤：
[0007]步骤1：数据准备，具体为：
[0008]将病例数据按下述结构进行准备，一个病例的MRI数据包含四种序列的图像：Flair，T1，T1ce和T2，其结构可表示为：
[0009]I＝{I1,I2,I3,...,I
N
}
[0010][0011]其中，N表示MRI图像分层序列的总层数，I
n
为第n层图像集合，其大小为 4
×
240
×
240，分别表示I
n
中Flair、T1、T1ce和T2四个序列的图像；
[0012]步骤2：肿瘤快速识别方法的初始化过程，具体为：
[0013]步骤2.1：MRI图像网格化处理，将MRI图像在Flair、T1、T1ce和T2序列中分别划分成多个等距矩形区域，设矩形区域大小为g
l
×
g
l
，若一张MRI图像的大小为t
×
t，从原图像的(0,0)点作为起点，采用的步长将原图划分成等距矩形区域，边缘区域不足一个矩形区域时进行补0处理，变为一个完整的矩形区域；记矩形区域为p
x,y
，即p
x,y
为由点(x,y)和点(x+g
l
,y+g
l
)所确定的矩形区域，记矩形区域的集合为Ω(P)，则每个矩形区域的数据可表示为：
[0014][0015]经实验对g
l
进行搜索，发现g
l
取26时模型定位准确率最高，故p
x,y
大小为 4
×
26
×
26；
[0016]步骤2.2：训练快速识别网络，具体为：
[0017]步骤2.2.1：构建双通道卷积神经网络，双通道中每个通道的输入均为 4
×
26
×
26，通道A由13
×
13的卷积层和丢弃率为0.5的Dropout层组成，该通道仅进行了单层卷积计算；通道B由典型的网络结构组成：5
×
5的卷积层、5
×
5 卷积层、4
×
4池化层、3
×
3卷积层、2
×
2池化层和丢弃率为0.5的Dropout层，通道B使用了多个小的卷积核，保证模型能够获得图像的细节信息，最终通过融合通道将两个通道的特征图合并完成分类模型；
[0018]步骤2.2.2：训练模型，根据分割标准将训练样本中每个MRI图像划分为肿瘤区域和非肿瘤区域，随机地从训练数据集中采样4
×
26
×
26的矩形区域进行训练，并给每个矩形区域加上相应的标签，训练时批处理参数为16，数据迭代次数取20，使用Adam优化器，其中Adam的参数为学习率取0.005，学习率衰减因子取0.1，冲量取0.9；
[0019]步骤3：MRI图像中肿瘤的识别与疑似区域的粗定位，具体为：
[0020]步骤3.1：疑似肿瘤区域的识别，输入数据图像I
n
，从切片图像的(0,0)点作为起点，采用的步长遍历矩形区域集合Ω(P)，搜索每个矩形区域p
x,y
，即利用卷积神经网络模型对每个矩形区域进行是否包含肿瘤区域的分类判断；如果分类结果为0，表明输入的整个区域块内没有发现疑似肿瘤组织；如果分类结果为1，表明输入的整个区域块内有疑似肿瘤组织，则初始化标记矩阵Mask，并在其上的相应矩形区域中标记1，其中，标记矩阵Mask的大小为240
×
240，初始值为0，并划分为多个大小与p
x,y
相同的对应矩形区域；
[0021]步骤3.2：标记疑似肿瘤区域边界，首先，将标记矩阵Mask中标记为1的区域汇总形成完整的疑似肿瘤区域；接着，在I
n
中找到对应的p
x,y
；最后，用队列L记录所有的p
x,y
区域坐标，L中存放的数据可表示如下：
[0022]L＝{L1,L2,...,L
k
}
[0023][0024]其中，k表示I
n
中粗定位区域总个数，L
i
表示第i个粗定位区域的边界坐标集合，表示第i个区域的边界坐标个数；
[0025]步骤4：确定像素本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.核磁共振影像(Magnetic Resonance Imaging，MRI)中脑胶质瘤识别与分割的两阶段计算方法，所述方法包括以下步骤：步骤1：数据准备，具体为：将病例数据按下述结构进行准备，一个病例的MRI数据包含四种序列的图像：Flair，T1，T1ce和T2，其结构可表示为：I＝{I1,I2,I3,...,I
N
}其中，N表示MRI图像分层序列的总层数，I
n
为第n层图像集合，其大小为4
×
240
×
240，分别表示I
n
中Flair、T1、T1ce和T2四个序列的图像；步骤2：肿瘤快速识别方法的初始化过程，具体为：步骤2.1：MRI图像网格化处理，将MRI图像在Flair、T1、T1ce和T2序列中分别划分成多个等距矩形区域，设矩形区域大小为g
l
×
g
l
，若一张MRI图像的大小为t
×
t，从原图像的(0,0)点作为起点，采用的步长将原图划分成等距矩形区域，边缘区域不足一个矩形区域时进行补0处理，变为一个完整的矩形区域；记矩形区域为p
x,y
，即p
x,y
为由点(x,y)和点(x+g
l
,y+g
l
)所确定的矩形区域，记矩形区域的集合为Ω(P)，则每个矩形区域的数据可表示为：经实验对g
l
进行搜索，发现g
l
取26时模型定位准确率最高，故p
x,y
大小为4
×
26
×
26；步骤2.2：训练快速识别网络，具体为：步骤2.2.1：构建双通道卷积神经网络，双通道中每个通道的输入均为4
×
26
×
26，通道A由13
×
13的卷积层和丢弃率为0.5的Dropout层组成，该通道仅进行了单层卷积计算；通道B由典型的网络结构组成：5
×
5的卷积层、5
×
5卷积层、4
×
4池化层、3
×
3卷积层、2
×
2池化层和丢弃率为0.5的Dropout层，通道B使用了多个小的卷积核，保证模型能够获得图像的细节信息，最终通过融合通道将两个通道的特征图合并完成分类模型；步骤2.2.2：训练模型，根据分割标准将训练样本中每个MRI图像划分为肿瘤区域和非肿瘤区域，随机地从训练数据集中采样4
×
26
×
26的矩形区域进行训练，并给每个矩形区域加上相应的标签，训练时批处理参数为16，数据迭代次数取20，使用Adam优化器，其中Adam的参数为学习率取0.005，学习率衰减因子取0.1，冲量取0.9；步骤3：MRI图像中肿瘤的识别与疑似区域的粗定位，具体为：步骤3.1：疑似肿瘤区域的识别，输入数据图像I
n
，从切片图像的(0,0)点作为起点，采用的步长遍历矩形区域集合Ω(P)，搜索每个矩形区域p
x,y
，即利用卷积神经网络模型对每个矩形区域进行是否包含肿瘤区域的分类判断；如果分类结果为0，表明输入的整个区域块内没有发现疑似肿瘤组织；如果分类结果为1，表明输入的整个区域块内有疑似肿瘤组织，则初始化标记矩阵Mask，并在其上的相应矩形区域中标记1，其中，标记矩阵Mask的大小为240
×
240，初始值为0，并划分为多个大小与p
x,y
相同的对应矩形区域；
步骤3.2：标记疑似肿瘤区域边界，首先，将标记矩阵Mask中标记为1的区域汇总形成完整的疑似肿瘤区域；接着，在I
n
中找到对应的p
x,y
；最后，用队列L记录所有的p
x,y
区域坐标，L中存放的数据可表示如下：L＝{L1,L2,...,L
k
}其中，k表示I
n
中粗定位区域总个数，L
i
表示第i个粗定位区域的边界坐标集合，表示第i个区域的边界坐标个数；步骤4：确定像素搜索中的特征提取区域，具体为：由于从单个像素中仅能提取强度等低阶特征，为获取更丰富的特征信息，需从所处理像素点为中心的一个较小局部区域内来提取更多样的特征信息，该特征提取域是以待处理像素点(x,y)为中心所形成的大小为g
s
×
g
s
的采样区域G
x,y
，即G
x,y...

【专利技术属性】
技术研发人员：陈皓，夏雨，李广，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：