多模态脑肿瘤图像分割系统及方法技术方案

本发明专利技术公开了一种基于深度卷积生成对抗网络的多模态脑肿瘤图像分割系统及方法，包括以下步骤：数据获取模块，用于获取待分割多模态脑部肿瘤图像；图像分割模块，用于采用脑部肿瘤图像分割模型进行图像分割；其中，所述脑部肿瘤图像分割模型基于深度卷积生成式对抗网络预先训练得到；所述深度卷积生成式对抗网络包括生成器和鉴别器，所述生成器以全卷积网络为基础，在输出层后连接附加层，所述附加层为循环神经网络，所述循环神经网络的每一层表示条件随机场的一个步骤。本发明专利技术可用于训练的标注图像非常少的情况下分割多模态脑部肿瘤图像的问题。图像的问题。图像的问题。

【技术实现步骤摘要】
多模态脑肿瘤图像分割系统及方法


[0001]本专利技术属于医学图像处理
，尤其涉及一种基于深度卷积生成对抗网络的多模态脑肿瘤图像分割系统及方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]脑部胶质瘤是最常见的原发性中枢神经系统恶性肿瘤，包含多个亚区，并且肿瘤区域的形状和位置差异很大。脑肿瘤磁共振成像(Magnetic Resonance Imaging，MRI)中脑肿瘤目标结构复杂、形状多变、图像灰度不均匀以及在不同的患者身上表现出相当大的差异性，并且，图像采集方法在其设置和几何形状以及硬件差异方面可能产生肿瘤外观变化，这些均带来了图像分割的难度。
[0004]尽管可以采用卷积神经网络(Convolutional neural network，CNN)执行图像分割，具体而言，基于特征对图像体素进行分类，获得堆叠特征并产生分割结果。然而，由于图像中的每个像素几乎是相互独立预测的，加之脑肿瘤的出现不可预测，且MRI的强度并不均匀，因此，基于CNN方法的分割结果总本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积生成对抗网络的多模态脑肿瘤图像分割系统，其特征在于，包括以下步骤：数据获取模块，用于获取待分割多模态脑部肿瘤图像；图像分割模块，用于采用脑部肿瘤图像分割模型进行图像分割；其中，所述脑部肿瘤图像分割模型基于深度卷积生成式对抗网络预先训练得到；所述深度卷积生成式对抗网络包括生成器和鉴别器，所述生成器以全卷积网络为基础，在输出层后连接附加层，所述附加层为循环神经网络，所述循环神经网络的每一层表示条件随机场的一个步骤。2.如权利要求1所述的多模态脑肿瘤图像分割系统，其特征在于，所述脑部肿瘤图像分割模型的训练方法包括：获取多模态脑部肿瘤样本作为训练集，所述训练集中的样本均进行了手工标注；将训练集作为输入，基于深度卷积生成式对抗网络进行训练得到脑部肿瘤图像分割模型。3.如权利要求2所述的多模态脑肿瘤图像分割系统，其特征在于，获取多模态脑部肿瘤样本后，还进行预处理：对所述多模态脑部肿瘤样本进行标准化处理标准化；将样本图像进行裁剪，调整所需分割区域大小；对各模态数据进行切片，并抛弃无病灶切片，最后合并成多通道数据并保存。4.如权利要求2所述的多模态脑肿瘤图像分割系统，其特征在于，所述生成器的训练方法包括：将训练集作为输入，基于全卷积网络进行训练，得到初始模型参数；基于初始模型参数，基于添加附加层的全卷积神经网络重新进行训练，得到生成器。5.如权利要求2所述的多...

【专利技术属性】
技术研发人员：李登旺，寻思怡，姜泽坤，黄浦，张焱，赵睿，王建波，朱慧，李婕，吴冰，柴象飞，章桦，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：