一种基于DR-UNet的脑肿瘤模糊边缘分割方法技术

本发明专利技术属于脑肿瘤MRI图像处理，特别涉及一种基于DR

【技术实现步骤摘要】
一种基于DR
‑
UNet的脑肿瘤模糊边缘分割方法


[0001]本专利技术属于脑肿瘤MRI图像处理，特别涉及一种基于DR
‑
UNet的脑肿瘤模糊边缘分割方法。

技术介绍

[0002]脑肿瘤是大脑中异常细胞的癌性或非癌性生长，形成良性或恶性的病灶。良性肿瘤结构均匀，肿瘤细胞不活跃；恶性肿瘤中癌细胞活跃，结构不均匀。脑肿瘤可分为原发性脑肿瘤和转移性脑肿瘤。原发性脑肿瘤，主要是脑部细胞发生病变；转移性脑肿瘤，是指从非脑组织部位的肿瘤细胞转移扩散至大脑，形成脑部转移病灶。脑肿瘤最常见类型是神经胶质瘤，包括高级别胶质瘤，比如多形性胶质母细胞瘤，以及低级别胶质瘤，比如少突胶质瘤或星形细胞瘤。
[0003]虽然MRI是准确描述大脑结构的有效手段，但从肿瘤本身特点来讲，其产生和生长的病理过程不可预测，形状无规律，边界不清楚、不连续、不规则，肿瘤区域和非肿瘤区域的比例相差较大，甚至肿瘤内部出现灰度不均匀的情况，同时在图像采集过程中引入噪声等因素对肿瘤图像造成了更具挑战性的分割过程。
[0004]现如今有几种常用的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DR
‑
UNet的脑肿瘤模糊边缘分割方法，其特征在于，构建基于DR
‑
UNet的脑肿瘤模糊边缘分割模型，该模型包括编码器、解码器以及融合注意力机制，所述编码器包括级联的卷积层、多个池化层和多个密集流组单元，两个相邻的密集流组单元之间设置有一个池化层；所述解码器包括级联的多个改进的残差模块、多个上采样重构模块以及反卷积层，两个相邻的改进的残差单元之间设置有一个上采样重构模块；融合注意力机制将编码器池化层的输出以及解码器中改进的残差模块的输出分别作为下一级上采样重构模块的低层特征输入和高层特征输入。2.根据权利要求1所述的一种基于DR
‑
UNet的脑肿瘤模糊边缘分割方法，其特征在于，密集流组单元包括级联的多层卷积类操作，且每层输出直接分别与后续层直接连接，密集流组单元的任意一层至少依次包括3D标准卷积、流组卷积、批归一化操作、ReLU激活操作，密集流组单元的第i层的输出表示为：y
i
＝MF(x,y1,...,y
i
‑1)；其中，y
i
表示密集流组单元第i层的输出；x为输入密集流组单元的数据；y1,...,y
i
‑1分别为密集流组单元第1～i
‑
1层的输出；MF(
·
)为包括3D卷积、流组卷积、批归一化操作、ReLU激活操作的复合函数。3.根据权利要求2所述的一种基于DR
‑
UNet的脑肿瘤模糊边缘分割方法，其特征在于，所述卷积层为3D标准卷积操作，将位于第i层、索引位置为j的特征图上对应位置为(x,y,z)的体素进行3D卷积后的值表示为：其中，为位于第i层、索引位置为j的特征图上对应位置为(x,y,z)的体素进行3D卷积后的值；b
ij
为偏移量；p
i
、q
i
、r
i
分别为3D卷积核沿x轴、y轴、z轴的空间维度大小；为前一层中索引位置为m特征图对应体素位置为(p,q,r)的权重。4.根据权利要求2所述的一种基于DR
‑
UNet的脑肿瘤模糊边缘分割方法，其特征在于，流组卷积是将当前几个相邻的输入通道打包为一组以生成一个输出通道，流组卷积表示为：通道数C和带宽k的线性映射关系为：C＝λk+b；其中，FLOP
FGConv
表示流组卷积；FLOP
StdConv
表示标准卷积；λ表示分组数量；b表示偏移量。5.根据权利要求2所述的一种基于DR
‑
UNet的脑肿瘤模糊边缘分割方法，其特征在于，批归一化操作时，计算数据的均值和方差，利用均值和方差将批处理数据归一化，归一化后的数据表示为：其中，表示第i个数据x
i
经过批归一化后的值；μ
B
为数据的均值；σ
B2
为数据的方差；ε为
了避免除数为0时所使用的微小正数。6.根据权利要求1所述的一种基于DR
‑
UNet的脑肿瘤模糊边缘分割方法，其特征在于，基于DR
‑
UNet的脑肿瘤模糊边缘分割模型中第i层改进的残差模块的输出表示为：y
i
＝x
i
+DRF(x
i
)；其中，y
i
表示第i层改进的残差模块的输出；x

【专利技术属性】
技术研发人员：胡敏，熊思，黄宏程，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：