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

本发明专利技术提供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，分割模型包括：分级模块，用于提供等级划分后的等级信息；分割模块，用于提供初次分割后的不同区域的面积比例信息；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和增强肿瘤区域的控制系数；自适应后处理模块，将控制系数与相应初始分割的水肿区域和增强肿瘤区域的预测值相乘，得到水肿区域与增强肿瘤区域的概率分布；分别提取所有被初次分割为水肿区域和增强肿瘤区域的体素，将水肿区域与增强肿瘤区域的概率大于阈值0.5的体素作为新的水肿区域与增强肿瘤区域，肿瘤核心区域是整体肿瘤区域与新的水肿区域相减的结果。域相减的结果。域相减的结果。

【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别特征，其中设计有效的模块和网络架构已成为实现准确分割性能的重要因素之一。网络架构的设计主要体现在从单通道网络向多通道网络、从全连通层网络向全卷积网络、从简单网络向深度级联网络的转变。目的是增强网络的特征学习能力，完成更精确的分割。虽然网络结构的设计在一定程度上提高了分割的精度，但是输入的知识单一，使得在脑部的某些区域仍存在误分割的现象。

技术实现思路

[0004]为了解决上述问题，本专利技术首先对脑胶质瘤MR图像数据进行裁剪和标准化，然后分别训练分级模块与分割模块；在分割模块中，设计了一种新颖的边缘区域体素加权损失函数；该损失函数首先通过将分别提取预测图像与真实标签的边缘作为损失的计算区域，其次使用体素到边缘的距离方法赋予体素新的权重；将等级信息和初次分割后的图像的面积比值信息作为模糊决策模块的输入；在经过模糊化、模糊推理和去模糊化后，最终输出ED、ET分割区域的控制系数，再与分割模块输出的ED、ET分割图相乘，得到新的ED、ET分割图。
[0005]为了实现上述目的，本专利技术所采用的技术方案是：
[0006]本专利技术第一方面提供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，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；
[0007]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；
[0008]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；
[0009]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；
[0010]自适应后处理模块：
[0011]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；
[0012]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。
[0013]本专利技术第二方面提供一种脑胶质瘤MR图像分割方法，对脑胶质瘤MR图像进行分割时，采用的深度神经网络模型为所述的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。
[0014]本专利技术第三方面提供一种脑胶质瘤MR图像分割装置，包括：
[0015]存储器以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行所述的基于边缘损失和知识融合决策的脑胶质瘤MR图像分割方法的程序。
[0016]本专利技术第四方面提供一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的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。
[0017]本专利技术相对于现有技术具有突出的实质性特点和显著进步，具体的说：
[0018]1、本专利技术提出的基于边缘损失与知识融合决策的脑胶质瘤MR图像分割模型，结合了分割模块、分级模块、模糊决策模块和自适应后处理模块，在有限的训练数据上提高分割性能；
[0019]2、本专利技术的分割模型根据脑胶质瘤的先验知识设计了一种能够结合分级信息与初次分割信息进行模糊决策的模糊决策模块；
[0020]3、本专利技术的分割模型还提出了一种新颖的边缘区域体素加权损失函数，该损失函数通过将分别提取预测图像与真实标签的边缘作为损失的计算区域，达到平衡正负样本比例的目的；且由于脑胶质瘤边缘区域是十分模糊且不易区分的，再通过采用距离加权的方法，将不易区分的样本分开，解决了分割网络中的极端的类别不平衡问题，显著提高了分割精度。
附图说明
[0021]为了更清楚地介绍本专利技术实施案例中的技术方案，下面将对实施案例中所需要使用的附图做简单介绍。显而易见地，如下展示的附图仅为本专利技术的个别案例，对于本领域的研究人员，可以通过对本专利技术的简单复现将此方法应用于脑胶质瘤MR图像。
[0022]图1是本专利技术实施例1中的模型的整体框架图。
[0023]图2是本专利技术实施例1中的所提及的边缘区域体素加权损失函数结构图。
[0024]图3是本专利技术实施例1中所提及的边缘区域体素加权损失函数训练曲线图。
[0025]图4是本专利技术实施例1中的分割方法的应用效果图。
具体实施方式
[0026]为使本专利技术上述目的、特点和优点能够更加明显易懂，下面结合附图和具体实施案例对本专利技术的技术方案进行详细说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术。但是，本专利技术还可以采用其他不同于在此描述的其他方式来实施。因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。
[0027]实施例1
[0028]本实施例所用数据集为BraTS2019，由美国生物医学图像计算和分析中心(CBICA)团队创建。该BraTS2019训练集包含259个高级别(HGG)与76个低级别(LGG)，其中每一个病例都是由T1、T本文档来自技高网...

【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：