基于改进的FPN卷积神经网络脑肿瘤图像分割方法技术

本发明专利技术公开了基于改进的FPN卷积神经网络脑肿瘤图像分割方法，其步骤为，对三维脑肿瘤MRI图像数据进行灰度归一化预处理；将预处理图像输入U

【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图像分割的混合深度神经网络模型Seg
‑
UNet和U
‑
SegNet。Zhuang等人讨论了注意门模型在MRI脑肿瘤分割中的应用，并提出了一种新的模型AGResU
‑
Net，以增强特征学习和提取小脑肿瘤的信息。Chen等人提出了一种新的网络VoxResNet，它将多模态和多层次的上下文信息无缝集成到网络中，以利用不同模式和不同尺度特征的互补信息。U
‑
Net++网络使用一系列网格状密集跳变路径来补偿编码器和解码器子路径之间的语义差异，从而在融合时特征图的比例差异更小，梯度流得到改善，分割精度得到提高。然而，上述U
‑
Net和U
‑
Net++网络无法提取不同感受野的特征信息，多尺度处理能力有限。
[
技术实现思路
][0004]本专利技术克服了现有技术的不足，提供了基于改进的FPN卷积神经网络脑肿瘤图像分割方法，缓解上述模型在目标边缘分割不佳的问题，本方法可适用于不同大小的肿瘤，实现脑肿瘤边缘区域的精细分割。
[0005]为实现上述目的，本专利技术采用了下列技术方案：
[0006]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：
[0007]S1、对三维脑肿瘤MRI图像数据进行灰度归一化预处理；
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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，并且获得C1、C2、C3、C4四个尺度的原始特征映射以重构FPN模型；
[0016]FPN模型通过线性插值对深层特征图进行上采样，通过水平卷积降维对相邻的浅层特征进行处理，将两个特征的输出相加和求和，同时采用3
×
3卷积核来平滑融合后的特征图，获得了分别对应于C1、C2、C3、C4的P1、P2、P3、P4四个尺度特征层，且具有相同的分辨率；
[0017]S4、将P1、P2、P3、P4四个抽象特征恢复并解码为原始图像的大小，得到最终分割结果。
[0018]如上所述的基于改进的FPN卷积神经网络脑肿瘤图像分割方法，其特征在于：还包括有
[0019]S5、使用损失函数平衡U
‑
Net和FPN组合模型集中于负样本学习而影响正样本的分割效果。
[0020]如上所述的基于改进的FPN卷积神经网络脑肿瘤图像分割方法，其特征在于：损失函数公式为
[0021][0022]其中，A表示实际分割像素的集合；B表示标签中的实际分割像素集合；ξ表示一个参数集。
[0023]如上所述的基于改进的FPN卷积神经网络脑肿瘤图像分割方法，其特征在于：还包括有
[0024]S6、使用相应的评价指标对分割结果进行评估。
[0025]如上所述的基于改进的FPN卷积神经网络脑肿瘤图像分割方法，其特征在于：评价指标包括有Dice相似系数(Dice similarty coefficient，DSC)、Jaccard指数JAC和准确性(Accuracy，ACC)，其中JAC指数也称为IoU指数(Intersection
‑
over Union，IoU)。
[0026]如上所述的基于改进的FPN卷积神经网络脑肿瘤图像分割方法，其特征在于：Dice相似系数DSC定义为
[0027][0028]其中，A表示实际分割像素集，B表示标签中的实际分割像素集合。
[0029]如上所述的基于改进的FPN卷积神经网络脑肿瘤图像分割方法，其特征在于：Jacc本文档来自技高网...

【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：