一种基于UNet++的低级别胶质瘤图像分割方法技术

本发明专利技术提供一种基于UNet++的低级别胶质瘤图像分割方法，属于医学图像处理领域。本发明专利技术分割方法的步骤包括：首先使用低级别胶质瘤MRI图像和标记好的分割掩膜构建网络的训练集，然后根据构建的训练集对UNet++卷积神经网络进行训练，最后用训练好的UNet++卷积神经网络对实际肿瘤数据进行分割。该方法通过使用密集跳跃连接来融合深层特征和浅层特征，网络分割结果准确率高，抗噪性好，并且缩短了训练时间。与基于U

【技术实现步骤摘要】
一种基于UNet++的低级别胶质瘤图像分割方法


[0001]本专利技术属于医学图像处理领域，具体涉及一种基于UNet++的低级别胶质瘤图像分割方法。

技术介绍

[0002]如今，医学图像处理已逐渐发展为一个重要的研究领域。利用计算机图像处理技术对二维切片图像进行分析和处理，实现对肿瘤病变区的分割提取，可以辅助医生进行临床分析，从而提高医疗诊断的准确性和可靠性。胶质瘤患者就诊时最常做的检查是磁共振成像(MRI)。核磁共振成像可产生高质量无损伤和无颅骨伪影的脑影像，是临床医学研究脑部组织结构的主要影像学工具和脑肿瘤诊疗的主要技术手段。由于成像技术限制和影像采集过程环境因素等影响，仍导致MRI脑影像存在运动伪影和噪声的情况。
[0003]在脑肿瘤分割技术发展初期，多使用无监督分割。无监督分割通过计算机对图像进行集聚统计分析，是一种无先验图像的分割技术。后来随着机器学习的发展，出现了大量用传统机器学习处理脑肿瘤的分割算法,比如支持向量机 (SVM),条件随机场(CRF)和随机森林(RF)等。2013年，卷积神经网络(CNN) 作为最流行的深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于UNet++的低级别胶质瘤图像分割方法，其特征在于：所述分割方法的步骤包括：S1、获取低级别胶质瘤MRI图像和已标注的对应分割掩膜图像；S2、构建低级别胶质瘤图像的训练集、验证集和测试集；划分后的训练集包括分割掩膜以及经过灰度归一化和数据增强处理后的低级别胶质瘤图像数据；S3、构建UNet++卷积神经网络模型，所述UNet++卷积神经网络模型包括编码器结构、解码器结构和密集跳跃连接结构；S4、利用低级别胶质瘤图像作为训练集训练已构建的UNet++卷积神经网络，生成网络模型，并利用低级别胶质瘤图像的测试集图像数据对模型效果进行评估；S5、利用训练好的UNet++网络模型对待测的低级别胶瘤样本图像进行分割并取得分割结果。2.根据权利要求1所述的一种基于UNet++的低级别胶质瘤图像分割方法，其特征在于：所述步...

【专利技术属性】
技术研发人员：许丹，王军伟，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：