【技术实现步骤摘要】
基于E2C
‑
Transformer网络的胶质瘤MRI数据分割方法
[0001]本专利技术涉及数字医学影像处理与分析
,具体是基于E2C
‑
Transformer网络的胶质瘤MRI数据分割方法。
技术介绍
[0002]脑肿瘤,又称颅内肿瘤,是一种异常组织肿块,其中细胞无法控制地生长和繁殖。大约33%的脑肿瘤是胶质瘤,它主要来源于围绕和支持脑神经元的胶质细胞,会影响大脑功能,甚至危及生命。因此,早期发现和诊断是脑胶质瘤治疗的关键。通常,放射科医生使用MRI生成的多模式图像来识别软组织中的不同肿瘤区域。胶质瘤可以通过多种MRI模式检测,如T2加权液体衰减反转恢复(FLAIR)、T1加权(T1)、T1
‑
加权增强(T1ce)和T2
‑
加权(T2)。不同的成像方式可以提供不同的肿瘤图像。在获得胶质瘤的多模态体积数据后,需要逐像素分割每个切片,直到将3D脑体积分割成有意义的区域。
[0003]为了获得有关脑肿瘤的信息,放射科医生需要结合解剖学和生理学知识手动分割MRI图像。然而,放射科医生对脑肿瘤的手动分割在像素级别上很困难。胶质瘤组织学亚区的异质性,如瘤周水肿、坏死细胞核和肿瘤细胞核增强,尤其是它们与正常组织的边界模糊,使得手动分割非常困难。因此,放射科医生手动分割胶质瘤MRI图像,Dice得分在74%到85%之间。此外,与使用图形处理单元(GPU)完成分割任务需要几秒钟的自动方法相比,手动分割非常耗时。放射科医生通常需要花费3
‑ ...
【技术保护点】
【技术特征摘要】
1.基于E2C
‑
Transformer网络的胶质瘤MRI数据分割方法,其特征在于:采集脑部的四种模态MRI图像,将四种模态MRI图像进行标准化处理,将标准化处理后的图像按四种模态合并为四通道3D图像数据并进行裁剪,然后输入到E2C
‑
Transformer网络中进行预测,得到坏死性和非强化肿瘤、瘤周水肿和强化肿瘤三种不同区域的分割结果;所述E2C
‑
Transformer网络包括具有跳跃连接的对称U形编码器
‑
解码器结构,输入的特征图经过初始卷积层,然后经过4组交替叠加Conformer和下采样模块的编码器,网络的底部为8个连续卷积层,再经过3组交替叠加上采样层和Conformer的解码器,最后经过一个1*1的卷积以及softmax函数。2.根据权利要求1所述的基于E2C
‑
Transformer网络的胶质瘤MRI数据分割方法,其特征在于:所述Conformer包括CNN分支、Transformer分支和功能耦合单元FCU,功能耦合单元FCU位于CNN分支、Transformer分支之间;在功能耦合单元FCU中,位于CNN分支的特征序列流向Transformer分支的路径,下采样模块采用跨步卷积,并使用可学习一维位置嵌入来编码位置信息,并通过直接加法将位置信息与特征图融合。3.根据权利要求2所述的基于E2C
‑
Transformer网络的胶质瘤MRI数据分割方法,其特征在于:所述E2C
‑
Transformer网络中的下采样模块均采用跨步卷积。4.根据权利要求3所述的基于E2C
‑
Transformer网络的胶质瘤MRI数据分割方法,其特征在于:所述CNN分支由两个重复的集成卷积模块组成,每个集成卷积模块由向下投影卷积层、空间卷积层、向上投影卷积层以及输入、输出之间的残差连接组成;所述Transformer分支包括依次连接的LayerNorm、多头自注意力模块、LayerNorm和多层感知器模块,并在将第一个LayerNorm的输入和多头自注意力模块的输出之间采用残差连接,第二个LayerNorm的输入和多层感知器模块之间采用残差连接;并将来自CNN分支的特征图下采样嵌入。5.根据权利要求4所述的基于E2C
‑
Transformer网络的胶质瘤MRI数据分割方法,其特征在于:所述E2C
‑
Transformer网络的训练和测试过程为:设置训练的参数,包...
【专利技术属性】
技术研发人员:赖小波,王卓雅,杜羽,徐鹏,黄河,金伟,
申请(专利权)人:浙江中医药大学,
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。