胶质瘤分割方法及系统技术方案

本发明专利技术提供一种胶质瘤分割方法及系统，属于图像处理技术领域，获取待检测的图像；利用训练好的分割模型，对待检测的图像进行处理，得到胶质瘤分割结果；其中，训练好的分割模型通过训练集训练得到，训练集包括多张胶质瘤图像以及标注胶质瘤图像中分别标注整个胶质瘤区域WT、肿瘤核心区域TC以及增强肿瘤区域ET的标签。本发明专利技术实现了整个胶质瘤区域WT、肿瘤核心区域TC以及增强肿瘤区域ET的自动分割；缓解了不同肿瘤区域的类不平衡问题；优化了低对比度区域的分割；提取了有效的中间层特征；通过多分支的连接和联合损失的指导不断增强了对有效特征的注意；引入了具有权重共享的层次特征提取机制，掌握胶质瘤更多边界信息，使胶质瘤分割更加精确。瘤分割更加精确。瘤分割更加精确。

【技术实现步骤摘要】
胶质瘤分割方法及系统


[0001]本专利技术涉及图像处理
，具体涉及一种基于层次双重注意全卷积网络的胶质瘤分割方法及系统。

技术介绍

[0002]胶质瘤可分为高级别胶质瘤(HGG)和低级别胶质瘤(LGG)，具有较高的致残率和致死率。从MRI图像中正确分割出胶质瘤对于胶质瘤诊疗计划的制定至关重要。鉴于手工标注费时费力，且易于出错，因此，有必要提出有效的自动分割算法。由于胶质瘤在形状、大小和位置方面具有较高的解剖变异性，并且，水肿区域使得整个肿瘤区域与非肿瘤区域之间的边界模糊，现有方法分割精度有待提升。

技术实现思路

[0003]本专利技术的目的在于提供一种基于层次双重注意全卷积网络的胶质瘤分割方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
[0004]为了实现上述目的，本专利技术采取了如下技术方案：
[0005]第一方面，本专利技术提供一种胶质瘤分割方法，包括：
[0006]获取待检测的图像；
[0007]利用训练好的分割模型，对待检测的图像进行处理，得到胶质瘤分割结果；
[0008]其中，
[0009]所述训练好的分割模型通过训练集训练得到，所述训练集包括多张胶质瘤图像以及标注胶质瘤图像中分别标注整个胶质瘤区域WT、肿瘤核心区域TC以及增强肿瘤区域ET的标签。
[0010]优选的，在分割模型训练时，通过全局注意机制，来优化初始识别分割结果和标签的全局差异；通过提取层次特征来优化偏离中心的肿瘤区域的分割；利用局部注意机制，增强对有效特征的注意。
[0011]优选的，训练所述分割模型包括：
[0012]对所有MRI图像进行归一化，伽马变换，通过图像翻转进行数据增强，实现数据的预处理，并进行MRI图像标注，得到训练集；
[0013]将训练集输入基础分割网络，经多层卷积池化后，得到基础特征图；
[0014]将基础特征图拆分为多个子区域，使特征提取中心转移到该多个子区域中心，获得多个包含偏离中心区域的胶质瘤特征信息的特征图；
[0015]将获得的多个包含偏离中心区域的胶质瘤特征信息的特征图进行拼合后，与基础特征图进行融合，提取有效特征，获得融合层次特征图；
[0016]融合层次特征图与编码器的标注特征进行融合连接，经过反卷积和卷积，通过激活函数，进行特征分类，得到初始识别分割结果；
[0017]将初始识别分割结果与原始输入的训练集图像中标签标注的特征进行全局差异
优化，直至最优，得到训练好的分割模型。
[0018]优选的，进行全局差异优化包括：全局注意力机制将鉴别器连接到分割模型，该鉴别器包括依次连接的四个3
×3×
3卷积层和一个1
×1×
1卷积层，最后为S型激活函数；标签和分割结果分别与原始MRI连接后输入鉴别器，由鉴别器来判断数据类别，并将反馈结果传回基础分割网络。
[0019]优选的，全局注意力机制在混合损失函数的指导下进行训练；混合损失函数包括：带有权重的损失函数、对抗损失函数以及联合损失函数。
[0020]优选的，
[0021]混合损失函数为：
[0022][0023]其中，λ是分割部分的权重，μ是联合损失函数的权重；L
untited
表示联合损失函数；
[0024]带有权重的损失函数为：
[0025][0026]其中，g和p分别代表标签和预测结果，n表示第n个体素，w
c
＝1/(∑
n g
cn
)2表示第c类肿瘤区域的权重；g
cn
表示标签中属于类别c的第n个体素；p
cn
表示预测结果中属于类别c的第n个体素。
[0027]对抗损失函数：
[0028][0029][0030]其中，x表示输入的多模态MRI，D(
·
)是鉴别器的输出，是指连接操作，M1和M0分别表示全一矩阵和全零矩阵；λ是L
GDL
的权重；
[0031][0032]其中，I和Y分别是输入矩阵和目标矩阵；p
n
是I的第n个体素等于Y的第n个体素的概率；N表示总体素数；y
n
表示Y的第n个体素。
[0033]优选的，局部注意机制应用在上采样的不同层，通过多分支的特征融合以及联合损失函数，增强对有效特征的注意；在局部注意机制中，第一分支包含步长为2的反卷积层，第二分支包含步长为2的反卷积层和具有S型激活函数的1
×1×
1卷积层；将第一分支、第二分支与从编码器获得的标签特征连接起来形成注意力特征图；其中，联合损失函数：
[0034][0035]其中，i＝1,2,3,4表示四个局部子区域注意机制，w
i
是局部子区域注意机制i中损失函数的权重。
[0036]第二方面，本专利技术提供一种胶质瘤分割系统，包括：
[0037]获取模块，用于获取待检测的图像；
[0038]识别模块，用于利用训练好的分割模型，对待检测的图像进行处理，得到胶质瘤分
割结果；
[0039]其中，
[0040]所述训练好的分割模型通过训练集训练得到，所述训练集包括多张胶质瘤图像以及标注胶质瘤图像中分别标注整个胶质瘤区域WT、肿瘤核心区域TC以及增强肿瘤区域ET的标签。
[0041]第三方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的胶质瘤分割方法的指令。
[0042]第四方面，本专利技术提供一种电子设备，包括如上所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
[0043]本专利技术有益效果：实现了整个胶质瘤区域WT、肿瘤核心区域TC以及增强肿瘤区域ET的自动分割；通过权重分配缓解了不同肿瘤区域的类不平衡问题；优化了低对比度区域的分割；提取了有效的中间层特征；通过多分支的连接和联合损失的指导不断增强了对有效特征的注意；引入了具有权重共享的层次特征提取机制，来掌握胶质瘤更多边界信息，尤其是偏离中心区域的胶质瘤的信息，使胶质瘤分割更加精确。
[0044]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0045]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]图1为本专利技术实施例所述的分割模型示意图。
[0047]图2为本专利技术实施例所述的胶质瘤分割效果对比图。
具体实施方式
[0048]下面详细叙述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种胶质瘤分割方法，其特征在于，包括：获取待检测的图像；利用训练好的分割模型，对待检测的图像进行处理，得到胶质瘤分割结果；其中，所述训练好的分割模型通过训练集训练得到，所述训练集包括多张胶质瘤图像以及标注胶质瘤图像中分别标注整个胶质瘤区域WT、肿瘤核心区域TC以及增强肿瘤区域ET的标签。2.根据权利要求1所述的胶质瘤分割方法，其特征在于，在分割模型训练时，通过全局注意机制，来优化初始识别分割结果和标签的全局差异；通过提取层次特征来优化偏离中心的肿瘤区域的分割；利用局部注意机制，增强对有效特征的注意。3.根据权利要求2所述的胶质瘤分割方法，其特征在于，训练所述分割模型包括：对所有MRI图像进行归一化，伽马变换，通过图像翻转进行数据增强，实现数据的预处理，并进行MRI图像标注，得到训练集；将训练集输入基础分割网络，经多层卷积池化后，得到基础特征图；将基础特征图拆分为多个子区域，使特征提取中心转移到该多个子区域中心，获得多个包含偏离中心区域的胶质瘤特征信息的特征图；将获得的多个包含偏离中心区域的胶质瘤特征信息的特征图进行拼合后，与基础特征图进行融合，提取有效特征，获得融合层次特征图；融合层次特征图与编码器的标注特征进行融合连接，经过反卷积和卷积，通过激活函数，进行特征分类，得到初始识别分割结果；将初始识别分割结果与原始输入的训练集图像中标签标注的特征进行全局差异优化，直至最优，得到训练好的分割模型。4.根据权利要求3所述的胶质瘤分割方法，其特征在于，进行全局差异优化包括：全局注意力机制将鉴别器连接到分割模型，该鉴别器包括依次连接的四个3
×3×
3卷积层和一个1
×1×
1卷积层，最后为S型激活函数；标签和分割结果分别与原始MRI连接后输入鉴别器，由鉴别器来判断数据类别，并将反馈结果传回基础分割网络。5.根据权利要求4所述的胶质瘤分割方法，其特征在于，全局注意力机制在混合损失函数的指导下进行训练；混合损失函数包括：带有权重的损失函数、对抗损失函数以及联合损失函数。6.根据权利要求5所述的胶质瘤分割方法，其特征在于，混合损失函数为：其中，λ是分割部分的权重，μ是联合损失函数的权重；L
untited
表示联合...

【专利技术属性】
技术研发人员：薛洁，孔德婷，刘希玉，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：