【技术实现步骤摘要】
基于改进的FPN卷积神经网络脑肿瘤图像分割方法
[
][0001]本专利技术涉及基于改进的FPN卷积神经网络脑肿瘤图像分割方法。
[
技术介绍
][0002]目前,脑肿瘤分割的金标准仍然是人工分割,但它昂贵、耗时且主观。因此,一种快速、准确的脑肿瘤MRI自动分割方法对临床应用具有重要意义。目前,脑肿瘤图像的自动分割主要有两种方法。(1)基于人工特征的机器学习方法。该方法对各种人工特征使用不同的分类器,例如具有空间和强度特征的支持向量机和具有强度特征的高斯混合模型。但是这些算法需要人工特征提取,成本高且容易出错,且建立在手工特征上的模型泛化性不足。(2)基于端到端深度学习方法。这种方法无需设计复杂的手工特征就可以实现更准确的分割。例如,全卷积网络(Fully convolutional Network,FCN)将图像级分类扩展到像素级分类,并用卷积层代替全连接层,取得了良好的分割效果,成为语义分割应用中深度学习的先驱。其缺点是对细节特征不敏感,没有充分考虑像素之间的关系,分割结果不够精细。
[0003]U
‑
Net网络是FCN的一种改进和扩展。它采用级联运算融合深度特征和浅层特征,取代了FCN中的求和方法,在上采样过程中缓解了深层特征丢失的问题,有效提高了分割精度。V
‑
Net网络是在三维医学图像上的分割应用。编码部分采用残差网络,在保证不断加深网络深度的同时,降低了梯度消失或者梯度爆炸带来的风险。Daimary等人将SegNet和U
‑
Net相结合,提出了一种用于脑肿瘤MRI图像 ...
【技术保护点】
【技术特征摘要】
1.基于改进的FPN卷积神经网络脑肿瘤图像分割方法,其步骤如下:S1、对三维脑肿瘤MRI图像数据进行灰度归一化预处理;S2、将预处理图像输入U
‑
Net模型进行反卷积和通道维度连接整合;第一层卷积:进行两次3
×
3的16通道的卷积,获得一个像素512
×
512
×
16的初步有效特征层,再进行2
×
2最大池化,获得一个像素256
×
256
×
16的特征层;第二层卷积:进行两次3
×
3的32通道的卷积,获得一个像素256
×
256
×
32的初步有效特征层,再进行2
×
2最大池化,获得一个像素128
×
128
×
32的特征层;第三层卷积:进行三次3
×
3的64通道的卷积,获得一个像素128
×
128
×
64的初步有效特征层,再进行2
×
2最大池化,获得一个像素64
×
64
×
64的特征层;第四层卷积:进行三次3
×
3的128通道的卷积,获得一个像素64
×
64
×
128的初步有效特征层,再进行2
×
2最大池化,获得一个像素32
×
32
×
128的特征层;第五层卷积:进行三次3
×
3的256通道的卷积,获得一个像素32
×
32
×
256的初步有效特征层;S3、对U
‑
Net模型的处理数据通过FPN模型进行二次线性插值和对应元素的相加进行积分;U
‑
Net模型中每个卷积级保留从最后一个卷积层输出的特征映射,并且...
【专利技术属性】
技术研发人员:孙海涛,王宁,刘襄平,李吉友,
申请(专利权)人:中山市中医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。