一种基于深度学习的脑肿瘤图像分割模型构建方法技术

一种基于深度学习的脑肿瘤图像分割模型构建方法，属于图像分割方法领域。现有图像分割模型网络层数过深引起的退化现象、网络分割精度低以及网络参数量多。本发明专利技术通过U

【技术实现步骤摘要】
一种基于深度学习的脑肿瘤图像分割模型构建方法


[0001]本专利技术涉及一种图像分割方法，特别涉及一种基于深度学习的脑肿瘤图像分割模型构建方法。

技术介绍

[0002]近几年随着深度学习技术的发展，卷积神经网络在自然图像分割领域已经可以达到接近完美的效果，但是在医学图像当中，感兴趣的区域通常具有图像不清晰、位置不固定、形状不规则等对分割结果影响很大的特性，因此针对医学图像分割的应用，需要结合具体场景专门设计和优化网络模型，以达到理想的效果。
[0003]基于2D图像的脑肿瘤分割技术虽然已成熟，且运算负荷更小。由于医学图像中天然带有空间尺度的信息，若利用此空间尺度新型则会有助于提高脑肿瘤图像分割的准确性。Beers等人为了将医学图像中的空间信息加以利用，提出了3DU
‑
Net网络架构，该网络结构在U
‑
Net的基础上，将二维卷积块替换为3D卷积块进行卷积计算，可以有效利用医学图像中的空间信息。Isensee等人将3DU
‑
Net结构与残差块结合，在下采样阶段有效利用了这些残差块，提高了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的脑肿瘤图像分割模型构建方法，其特征在于：所述方法通过以下步骤实现：步骤一、通过U
‑
Net网络结构和残差模块结合方式，设计基于U
‑
Net网络结构的图像分割模型；其中，U
‑
Net网络结构包括编码部分、解码部分和桥接部分；编码部分，包括4个编码模块和下采样操作，每个编码模块包括2个3*3的卷积层和线性整流函数，之后连接一个步长为2的最大池化操作；其中，编码部分通过卷积层提取图像特征，并经过最大池化层来对图像进行下采样，在每一个下采样的步骤中，特征通道数量都加倍；解码部分，包括4个解码模块和上采样操作，每个解码模块包括2个3*3的卷积层和线性整流函数，上采样操作用于提升特征图的分辨率，直到与输入图像的分辨率一致；桥接部分，用于将上采样结果与编码器中具有相同分辨率的子模块的输出进行连接，实现特征图的融合并作为解码器中下一个解码模块的输人；桥接部分负责连接编码部分和解码部分；步骤二、将三维卷积和残差模块相结合，以对多模态三维脑肿瘤图像进行自动分割；其中，三维卷积选用三维恒等残差块；残差模块选用卷积残差块包括主路径与分路径这两条卷积运算路径；主路径包含连续的三个卷积层，第一层卷积的卷积核形状为1
×
1，步长为2，特征图通道数与上一层相同；第二层卷积的卷积核形状为3
×
3，步长为1，用于加深模块的深度；第三层卷积的卷积核形状为1
×
1，步长为1，该层特征图通道数为前两层的二倍，输出图像尺寸不变，通道数增加；分路径包含一个卷积层，其卷积核形状为1
×
1，步...

【专利技术属性】
技术研发人员：宋云飞，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：