一种基于深度神经网络的脑瘤MRI图像分割方法及系统技术方案

本发明专利技术公开了一种基于深度神经网络的脑瘤MRI图像分割方法及系统，该方法包括：S1：获取脑瘤MRI的原始图像，并根据所述原始图像获得对称强度图，以将所述原始图像和所述对称强度图共同作为输入图像输入网络；S2：对所述输入图像进行下采样提取多种尺寸的特征图，在提取的多种尺寸的所述特征图上得到多个目标检测框；S3：将多个所述目标检测框分别进行边界特征学习和整体特征学习，并将边界特征学习和整体特征学习的结果进行归一化得到综合特征图；S4：根据多个所述目标检测框和所述综合特征图分别进行上采样得到多个预测图，再将多个所述预测图按照预定的参数进行结合，生成最终的预测图像。本发明专利技术具有较好的检测精度和边界精度，方便进行后续诊断。

【技术实现步骤摘要】
一种基于深度神经网络的脑瘤MRI图像分割方法及系统
本专利技术涉及计算机图像
，尤其涉及一种基于深度神经网络的脑瘤MRI图像分割方法及系统。
技术介绍
在脑瘤病理的诊断过程中，能够自动识别病理区域，并将其准确地划分出来是非常重要的一件事。在传统医学领域中，此过程一般由人工完成。但由于图像数量较多，且早期病理区域不明显，经验不丰富的医生常常会发生漏诊或误诊的情况。因此，能够预先进行准确的脑瘤分割十分重要。其中，准确的分割脑瘤的边界是判断脑瘤病情的重要因素，根绝其大小、形状及清晰度可以在很大程度上确定病情的当前阶段，帮助医生进行合理的诊疗。目前脑瘤病情的诊断结果大致可分为以下四类：水肿、坏死、发展以及不发展。然而，一方面，各类病理情况在肉眼看来区别较小，且因为病人生理特征的不同，往往不同人之间差别较大，因此凭经验的判断往往在详细的病理情况上成功率较低；另一方面，MRI图像每次呈现的图片较多，而真正能体现病理情况的图像却占极少数，在能够体现病理情况的图像之中，能够准确判断病灶的不同区域的更是占极少数。因此，基于医生经验或是传统模式识别方法的病理本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的脑瘤MRI图像分割方法，其特征在于，包括以下步骤：/nS1：获取脑瘤MRI的原始图像，并根据所述原始图像获得对称强度图，以将所述原始图像和所述对称强度图共同作为输入图像输入网络；/nS2：对所述输入图像进行下采样提取多种尺寸的特征图，在提取的多种尺寸的所述特征图上得到多个目标检测框；/nS3：将多个所述目标检测框分别进行边界特征学习和整体特征学习，并将边界特征学习和整体特征学习的结果进行归一化得到综合特征图；/nS4：根据多个所述目标检测框和所述综合特征图分别进行上采样得到多个预测图，再将多个所述预测图按照预定的参数进行结合，生成最终的预测图像。/n

【技术特征摘要】
1.一种基于深度神经网络的脑瘤MRI图像分割方法，其特征在于，包括以下步骤：
S1：获取脑瘤MRI的原始图像，并根据所述原始图像获得对称强度图，以将所述原始图像和所述对称强度图共同作为输入图像输入网络；
S2：对所述输入图像进行下采样提取多种尺寸的特征图，在提取的多种尺寸的所述特征图上得到多个目标检测框；
S3：将多个所述目标检测框分别进行边界特征学习和整体特征学习，并将边界特征学习和整体特征学习的结果进行归一化得到综合特征图；
S4：根据多个所述目标检测框和所述综合特征图分别进行上采样得到多个预测图，再将多个所述预测图按照预定的参数进行结合，生成最终的预测图像。


2.根据权利要求1所述的脑瘤MRI图像分割方法，其特征在于，步骤S1中根据所述原始图像获得对称强度图具体包括：找到划分出左右脑的分界线以划分左右脑，并对比同一镜像坐标下左右脑的原始图像的灰度值的相似度，以生成对称强度图。


3.根据权利要求1所述的脑瘤MRI图像分割方法，其特征在于，步骤S2中具体包括：对所述输入图像利用ResNet的下采样结构提取N种尺寸的特征图，取后N-n种尺寸的所述特征图通过R-FCN网络中的位置敏感的候选区域池化结构以得到多个所述目标检测框，其中N为≥2的正整数、n为≥0的整数，且N＞n+1。


4.根据权利要求1所述的脑瘤MRI图像分割方法，其特征在于，步骤S2还包括：将得到的多个所述目标检测框裁剪为相同大小的尺寸。


5.根据权利要求1所述的脑瘤MRI图像分割方法，其特征在于，步骤S3中将多个所述目标检测框分别进行边界特征学习具体包括：将多个所述目标检测框分别经过多次卷积得到卷积后的图像，再分别进行内部点到边界距离提取以及中心点选取。


6.根据权利要求5所述的脑瘤MRI图像分割方法，其特征在于，中心点选取步骤具体包括采用下述公式来选取中心点：...

【专利技术属性】
技术研发人员：王好谦，孙中治，宋磊，张永兵，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44