【技术实现步骤摘要】
一种基于SEResU
‑
Net模型的MRI脑肿瘤图像分割方法及系统
[0001]本专利技术涉及图像处理
，尤其涉及一种基于SEResU
‑
Net模型的MRI脑肿瘤图像分割方法及系统。
技术介绍
[0002]脑肿瘤是一种在脑组织中非自然分裂和不正常生长的异常细胞，严重危害人体的健康。较早的、准确的检测分割出肿瘤对于患者后期的治疗至关重要。具有高分辨率、无损伤特点的MRI是首选的脑肿瘤检查筛查的技术方法。根据MRI人工分割脑肿瘤具有很强的主观性，容易出错；传统的分割方法繁琐且精度不够高；深度学习的分割技术可以通过网络结构逐层学习到更为抽象的特征，相比传统方法不仅极大的减轻了医生负担，而且大幅度的提升了分割精度，为临床治疗和病理学的研究提供可靠的依据。
[0003]U
‑
Net具有收缩路径和扩展路径的编码
‑
解码架构，通过跳跃连接来融合高级特征信息和低级特征信息，对于医学图像分割有着突出的表现，是图像分割领域应用最广泛的网络。虽然U
‑<...
【技术保护点】
【技术特征摘要】
1.一种基于SEResU
‑
Net模型的MRI脑肿瘤图像分割方法，其特征在于，包括如下步骤：S1：模型训练，训练SEResU
‑
Net网络模型，得到最优分割模型；S2：预处理，对病人多模态的MRI脑肿瘤数据进行预处理，得到numpy文件；S3：肿瘤分割，将numpy文件导入分割模型中，通过分割模型对脑肿瘤图像进行分割，并标注出病变脑区；S4：结果输出，生成预测的分割结果，结果以切片的形式进行存储；S5：查看分割结果及评分，通过评价指标对分割结果进行评分；S6：3D重建，将得到的2D结果进行3D重建生成3D分割结果，以便于更加立体直观地查看分割结果。2.如权利要求1所述的一种基于SEResU
‑
Net模型的MRI脑肿瘤图像分割方法，其特征在于，所述步骤S1包括如下子步骤：S11：从MICCAI提供的BraTS2018和BraTS2019公共数据集中获取训练数据集与测试数据集，并将训练数据集与测试数据集中的flair、t1、t1ce和t2四个模态的MRI图像进行预处理；S12：预处理得到训练集、验证集、测试集，训练SEResU
‑
Net网络模型；S13：重复上述步骤，得到最优分割模型。3.如权利要求2所述的一种基于SEResU
‑
Net模型的MRI脑肿瘤图像分割方法，其特征在于，在训练SEResU
‑
Net网络模型的过程中采用早停法early stopping来防止SEResU
‑
Net网络模型过拟合。4.如权利要求1所述的一种基于SEResU
‑
Net模型的MRI脑肿瘤图像分割方法，其特征在于，所述步骤S2包括如下子步骤：S21：标准化，采用z
‑
score方法对每个模态图像进行标准化；S22：裁剪，对原始病人的MRI脑肿瘤图像进行裁剪，去掉无关背景信息，并进行对比度和亮度增强；S23：切片处理，筛选去除无病灶切片、合并各模态的切片，保存为numpy文件。5.如权利要求4所述的一种基于SEResU
‑
Net模型的MRI脑肿瘤图像分割方法，其特征在于，所述标准化为...
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。