一种多模态制造技术

本发明专利技术公开一种多模态

【技术实现步骤摘要】
一种多模态MRI脑肿瘤图像分割方法


[0001]本专利技术涉及图像处理
，特别涉及一种多模态
MRI
脑肿瘤图像分割方法
。

技术介绍

[0002]脑肿瘤分割是一种从灰质
、
白质和脑脊液等正常的脑组织中
,
分离水肿
、
活跃和肿瘤坏死组织等不同的脑肿瘤结构的一种脑肿瘤辅助诊断技术
。
针对脑肿瘤，临床较早的发现和检测到颅内病变，并加以针对性的治疗，是减少和降低脑肿瘤对人类的健康危害的有效途径之一
。
由于肿瘤在颅内产生
,
只能通过非侵入式显影方式，如
CT
和
MRI
等技术分析脑组织的病变状态
。
在这些影像中肿瘤结构仅以灰度变化表征
,
不同设备不同条件获得的显影图像也可能有所差别
,
使得传统的图像分割方法很难较好地处理脑肿瘤图像的分割问题
。
[0003]随着
MRI
成像技术的不断成熟，多模态
MRI
图像的逐渐普及
。
多模态
MRI
成像是指利用不同的
MRI
序列和参数设置获取不同的图像模态：如
FLAIR
模态图像
、T1ce
模态图像
、T1
模态图像
、T2
模态图像
。
通过获取和融合不同的图像模态，综合利用它们各自优势的对比度和信息，提供更全面
、
准确的图像解剖和病理信息，有助于进行疾病的诊断
、
定位和评估
。
[0004]神经网络模型，如卷积神经网络
CNN、U
‑
Net、DeepLab
等，具备强大的自动学习能力
。
这些模型可以通过大规模训练数据进行训练，学习到肿瘤与正常组织之间的特征表示和区分，辅助医生作出诊断决定
。
[0005]然而，在使用神经网络对多模态
MRI
脑肿瘤图像进行分割时，传统损失函数在对网络进行训练时只关注像素级别的匹配程度，不考虑分割目标整体结构的问题
。

技术实现思路

[0006]本专利技术提供一种多模态
MRI
脑肿瘤图像分割方法，可以解决现有技术中，使用神经网络模型进行图像分割时，传统损失函数只关注像素级别的匹配程度，不考虑分割目标整体结构的问题
。
[0007]本专利技术提供一种多模态
MRI
脑肿瘤图像分割方法，包括
:
[0008]获取多模态脑肿瘤
MRI
图像，构建多模态
MRI
脑肿瘤图像数据集；
[0009]构建用于多模态
MRI
脑肿瘤图像分割的
Unet
网络；
[0010]将所述多模态
MRI
脑肿瘤图像数据集输入到所述
Unet
网络中对所述
Unet
网络进行训练，训练过程中使用的损失函数是改进后的损失函数：
[0011][0012][0013][0014][0015]其中，
[0016]是
Dice
损失函数，是引入的梯度约束；
[0017]N
是图像的总像素点个数；
[0018]p
i
是第
i
个像素点被预测为肿瘤像素点的概率；
[0019][0020]θ
j
(P
i
)、
θ
j
(g
i
)
分别是被预测为肿瘤像素点概率大于
0.5
的像素点
、
真实肿瘤像素点在
j
方向上的梯度值，
j∈
Ω
，
Ω
＝
{0
°
，
45
°
，
90
°
，
135
°
}
；
[0021]n
pre
是预测为肿瘤像素点概率大于
0.5
的像素点个数，
n
tru
是真实肿瘤像素点个数；
[0022]将待分割的多模态
MRI
脑肿瘤图像输入到训练完成的
Unet
网络中进行分割
。
[0023]进一步的，所述获取多模态脑肿瘤
MRI
图像，构建多模态
MRI
脑肿瘤图像数据集，包括：
[0024]获取多模态脑肿瘤
MRI
图像，包括：
FLAIR
模态图像
、T1ce
模态图像
、T1
模态图像
、T2
模态图像；
[0025]通过去噪
、
图像配准
、
亮度标准化
、
空间分辨率调整对获取的多模态
MRI
脑肿瘤图像进行预处理；
[0026]使用图像标注工具
labelme
将预处理后的多模态
MRI
脑肿瘤图像中的肿瘤区域标记出来，创建分割标签；
[0027]将多模态脑肿瘤
MRI
图像数据划分为训练集
、
验证集和测试集；
[0028]通过随机旋转
、
平移
、
缩放
、
翻转，以及添加噪声对训练集数据进行数据增强
。
[0029]进一步的，所述构建用于多模态
MRI
脑肿瘤图像分割的
Unet
网络，包括：
[0030]4个结构相同的特征提取模块，所述4个结构相同的特征提取模块的输入分别为
FLAIR
模态图像
、T1ce
模态图像
、T1
模态图像
、T2
模态图像；
[0031]1个反卷积模块，所述反卷积模块的输入为所述特征提取模块的输出；
[0032]输出模块，所述输出模块由
softmax
函数构成
。
[0033]进一步的，所述特征提取模块，包括：
[0034]第一卷积块，包括卷积层，将各模态图像输入第一卷积块进行特征提取获得第一层卷积输出；
[0035]第二卷积块，包括最大值池化层和卷积层，将第一层卷积输出输入到第二卷积块，依次经过最大值池化和卷积操作后获得第二层卷积输出；
[0036]第三卷积块，包括最大值池化层和卷积层，将第二层卷积输出输入到第三卷积块，依次经过最大值池化和卷积操作后获得第三层卷积输出；
[0037]第四卷积块，包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多模态
MRI
脑肿瘤图像分割方法，其特征在于，包括
:
获取多模态脑肿瘤
MRI
图像，构建多模态
MRI
脑肿瘤图像数据集；构建用于多模态
MRI
脑肿瘤图像分割的
Unet
网络；将所述多模态
MRI
脑肿瘤图像数据集输入到所述
Unet
网络中对所述
Unet
网络进行训练，训练过程中使用的损失函数是通过引入梯度约束进行改进后的损失函数：练，训练过程中使用的损失函数是通过引入梯度约束进行改进后的损失函数：练，训练过程中使用的损失函数是通过引入梯度约束进行改进后的损失函数：练，训练过程中使用的损失函数是通过引入梯度约束进行改进后的损失函数：其中，是
Dice
损失函数，是引入的梯度约束；
N
是图像的总像素点个数；
p
i
是第
i
个像素点被预测为肿瘤像素点的概率；
θ
j
(P
i
)、
θ
j
(g
i
)
分别是被预测为肿瘤像素点概率大于
0.5
的像素点
、
真实肿瘤像素点在
j
方向上的梯度值，
j∈
Ω
，
Ω
＝
{0
°
，
45
°
，
90
°
，
135
°
}
；
n
pre
是预测为肿瘤像素点概率大于
0.5
的像素点个数，
n
tru
是真实肿瘤像素点个数；将待分割的多模态
MRI
脑肿瘤图像输入到训练完成的
Unet
网络中进行分割
。2.
根据权利要求1所述的一种多模态
MRI
脑肿瘤图像分割方法，其特征在于，所述获取多模态脑肿瘤
MRI
图像，构建多模态
MRI
脑肿瘤图像数据集，包括：获取多模态脑肿瘤
MRI
图像，包括：
FLAIR
模态图像
、T1ce
模态图像
、T1
模态图像
、T2
模态图像；通过去噪
、
图像配准
、
亮度标准化
、
空间分辨率调整对获取的多模态
MRI
脑肿瘤图像进行预处理；使用图像标注工具
labelme
将预处理后的多模态

【专利技术属性】
技术研发人员：邢琦玮，李植花，苟和平，唐国纯，
申请(专利权)人：琼台师范学院，
类型：发明
国别省市：