【技术实现步骤摘要】
基于边缘损失和知识融合决策的脑胶质瘤MR图像分割方法
[0001]本专利技术属于医学图像处理
,尤其涉及一种基于边缘损失和知识融合决策的脑胶质瘤MR图像分割方法。
技术介绍
[0002]医学图像分析广泛应用于临床诊断和医学研究,如计算机辅助诊断、医疗机器人和生存分析等。在医学图像分析的诸多任务中,脑胶质瘤MR图像分割一直是研究热点。尽管研究人员为此做出了不懈地努力,但由于位置的不确定性、形态的不确定性、数据的不平衡性和图像的低对比度等问题,准确的脑胶质瘤MR图像分割仍然是一个关键的挑战。脑胶质瘤可进一步分为高级别脑胶质瘤(HGG)和低级别脑胶质瘤(LGG)。MR作为目前流行的无创成像技术,能对脑胶质瘤进行高质量的无创和颅骨伪影成像是放射科医生诊断和治疗脑胶质瘤的主要手段。多模态MRI肿瘤组织类型定位有助于脑胶质瘤患者的诊断,从水肿和正常脑组织中勾画出存活的肿瘤。此外,MR图像上的脑胶质瘤分割是癌症诊断的重要第一步,为疾病评估提供了定量和直观的帮助。脑胶质瘤分割任务最终的目标是分为三个区域:整体肿瘤区域(WT)、肿瘤核心区域(TC)、增强肿瘤区域(ET),然而,由于脑瘤在形状、大小、纹理和位置上差异很大,且与正常脑组织的边缘不清楚,从MR图像中手动分割脑瘤是主观的、繁琐的、耗时的。为解决上述问题,急需相关研究人员研究出可以解决上述问题的方案。因此,设计一种自动、鲁棒的脑胶质瘤分割方法,对脑胶质瘤进行准确、有效的分割是非常必要的。
[0003]目前的脑胶质瘤分割主要依赖于设计有效的深度神经网络自动提取高维判 ...
【技术保护点】
【技术特征摘要】
1.一种基于边缘损失和知识融合决策的脑胶质瘤MR图像分割模型,其特征在于,包括:分级模块、分割模块、模糊决策模块和自适应后处理模块;分级模块,用于对输入的图像进行等级划分,并将划分后的等级信息提供给模糊决策模块;分割模块,用于将输入的图像初次分割为整体肿瘤区域WT、肿瘤核心区域TC和增强肿瘤区域ET,并将初次分割后的ET/TC、TC/WT的面积比例信息提供给模糊决策模块;模糊决策模块,接收分级模块的等级信息和分割模块的面积比例信息,进行模糊决策后输出水肿区域ED的控制系数λ
ED
和增强肿瘤区域ET的控制系数λ
ET
,其中,水肿区域ED为整体肿瘤区域WT和肿瘤核心区域TC的差值;自适应后处理模块:将模糊决策模块输出的控制系数λ
ED
和λ
ET
与相应初始分割的水肿区域ED和增强肿瘤区域ET的预测值相乘,得到水肿区域ED与增强肿瘤区域ET的概率分布;分别提取所有被初次分割为水肿区域ED和增强肿瘤区域ET的体素,将水肿区域ED与增强肿瘤区域ET的概率大于阈值0.5的体素作为新的水肿区域ED与新的增强肿瘤区域ET,肿瘤核心区域TC是整体肿瘤区域WT与新的水肿区域ED相减的结果。2.根据权利要求1所述的脑胶质瘤MR图像分割模型,其特征在于:所述分级模块由三个3D编码模块与一个全连接模块通过级联的方式连接组成;其中每一个3D编码模块是由卷积层、组归一化层、激活层和池化操作组成;进行模型训练时,将分级模块中的Batch size设置为1;训练迭代次数设置为100;优化方法采用SGD;重量衰减设置为0.0001;动量参数momentum设置为0.99;初始学习率Learning rate设置为1.5
×
10
‑3,学习率随着训练次数的增加而改变,公式如下:其中,lr0为初始学习率,epoch表示已完成训练的次数。3.根据权利要求1所述的脑胶质瘤MR图像分割模型,其特征在于:所述分割模块是以UNet为网络框架,在解码器中加入门控注意力机制AG,以突出目标区域的组织结构并抑制不相关区域的图像特征;进行模型训练时,将分割模块中的Batch size设置为2;训练迭代次数设置为100;优化方法采用SGD;重量衰减设置为0.0001;动量参数momentum设置为0.99;初始学习率Learning rate设置为1.5
×
10
‑3,学习率随着训练次数的增加而改变,公式如下:其中,lr0为初始学习率,epoch表示已完成训练的次数。4.根据权利要求1所述的脑胶质瘤MR图像分割模型,其特征在于:所述模糊决策模块包括模糊化、模糊规则库、模糊推理和去模糊化;定义模糊决策模块的输入、输出模糊集:1)将分级任务数据集I
class
中的图像的等级分为两个模糊集:低级别和高级别;2)将TC/WT的面积比分为三个模糊集:小、适中和大;
3)将ET/TC的面积比分为三个模糊集:小、适中和大;4)输出ED、ET的控制系数分为五个模糊集:小、较小、适中、较大和大;模糊化中所采用的三角形隶属函数:其中,a,c分别表示三角形下部的左右两个顶点,b表示三角形上部顶点;构建模糊规则库中进行模糊推理所采用的模糊规则:1)如果是低级别且TC/WT比值小,则ED的控制系数适中;2)如果是低级别且TC/WT比值适中,则ED的控制系数较小;3)如果是低级别且TC/WT比值大,则ED的控制系数小;4)如果是高级别且TC/WT比值小,则ED的控制系数大;5)如果是高级别且TC/WT比值适中,则ED的控制较大;6)如果是高级别且TC/WT比值大,则ED的控制系数适中;7)如果是低级别且ET/TC比值小,则ET的控制系数小;8)如果是低级别且ET/TC比值适中,则ET的控制系数较小;9)如果是低级别且ET/TC比值大,则ET的控制系数适中;10)如果是高级别且ET/TC比...
【专利技术属性】
技术研发人员:鲁慧民,王贵增,薛涵,桑鹏程,
申请(专利权)人:长春工业大学,
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。