System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于深度学习计算机视觉和医学图像处理,尤其涉及一种基于v-net的轻量级脑肿瘤分割方法及系统。
技术介绍
1、脑肿瘤是严重危害患者生命安全的疾病之一,它是一种在颅内生长的不正常的细胞群,肿瘤的形状不规则,体积不确定,可能出现在大脑中的任何位置,会导致人体神经系统发生严重的功能障碍,是一种严重威胁患者生命的肿瘤。其中,脑胶质瘤是最常见的颅脑肿瘤,具有高发病率、高复发率、高死亡率和低治愈率的特点。根据侵入程度及患者预后的状况,可将胶质瘤分为高级别胶质瘤(high-grade gliomas,hgg)和低级别胶质瘤(low-grade gliomas,lgg)。高级别胶质瘤死亡率较高,低级别胶质瘤发展较为缓慢。因此在早期对低级别的脑肿瘤进行诊断和及时的治疗,对于增加患者的生存机会,提升患者的生存质量,延长患者的生命有着十分重大的意义。
2、核磁共振成像(magentic resonance imaging,mri)通过磁共振现象,对人体的信息进行获取和重建,相比于ct成像,mri能获得更高对比度的脑部图像。mri作为一种非入侵式技术,对于人体无害,不仅能够提供完整的无损伤、没有颅骨造影的图像,同时还能够拥有良好的软组织对比度,展示更高分辨率的组织结构,被广泛地应用与临床医学的诊断和治疗上。
3、随着深度学习的发展以及其他相关硬件的提升,深度学习的方法已经成功的应用于医学图像领域,利用深度学习模型的分割方法,弥补了人工分割费时费力的特点。目前利用深度学习进行脑肿瘤图像分割主要包括2d卷积网络和3d卷积网
4、综上,提供一种基于3d卷积网络的mri图像分割方法,是人们亟待解决的问题。
技术实现思路
1、鉴于此,本专利技术公开提供了一种基于v-net的轻量级脑肿瘤分割方法及系统,以获得训练精度较高、训练速度快的网络模型。
2、本专利技术的技术方案:一种基于v-net的轻量级脑肿瘤分割方法,包括:
3、步骤1:图像预处理,得到符合网络结构的图像;
4、步骤2:构建v-net网络;所述v-net网络由编码器和解码器组成;
5、所述编码器用于从原始输入图像中提取特征,所述解码器用于将提取的特征还原为分割结果;
6、其中编码器由多个downtransition模块组成,解码器部分由多个uptransition模块组成;编码器和解码器之间通过跳跃连接;
7、所述downtransition模块用于逐渐缩小特征图的尺寸,并逐渐增加特征通道数,使得编码器可以捕捉不同层次的信息;
8、所述uptransition模块用于逐步将特征图的尺寸恢复到与输入图像相同,并减少特征通道的数;
9、所述跳跃连接用于将编码器的特征图与解码器的对应层的特征图相连接,使网络更够更好地传递信息;
10、步骤3:改进v-net网络;
11、将v-net网络中的批归一化改为组归一化;将网络中的普通卷积替换为深度可分离卷积;
12、在网络的编码器部分加入squeeze-and-excitationattention注意力机制;
13、步骤4:采用混合损失函数bcedice loss对改进的网络进行训练;根据训练的结果选出最佳的网络模型;
14、步骤5:将步骤1预处理后的图像数据输入到最佳网络模型中,得到分割结果;
15、步骤6:对分割结果进行后处理。
16、具体地,所述步骤1图像预处理包括:对脑肿瘤mri数据集依次进行标准化、裁剪和分块处理。
17、具体地,混合损失函数bcedice loss是将二元交叉熵损失和dice系数损失结合,通过线性组合来计算最终的损失;
18、二元交叉熵损失的计算公式如下:
19、
20、其中n代表样本数量,ypred(i)是模型预测的样本i属于正例的概率,ytrue(i)是样本的实际标签,取值为0或1;log代表自然对数;
21、dice系数损失函数的计算公式如下:
22、
23、其中n代表样本数量,ypred(i)是模型预测的样本i属于正例的概率,ytrue(i)是样本的实际标签,取值为0或1;
24、由此,混合损失函数bcedice loss计算公式为:
25、
26、α与β取值均为0.5。
27、具体地,所述步骤5后处理包括去除噪声、填补空洞、平滑分割边界。
28、本专利技术还提供了一种基于v-net的轻量级脑肿瘤分割系统,包括:
29、图像预处理模块:用于对待分割图像数据集进行预处理,以获得符合网络结构的图像;
30、网络构建模块:用于构建v-net网络;
31、v-net网络改进模块:用于减少网络参数,提高网络训练速度的同时保持较高的精度;
32、网络训练模块:用于采用混合损失函数bcedice loss对改进的网络进行训练;
33、后处理模块:用于对分割结果进一步处理。
34、本专利技术提出了一种基于v-net的轻量级脑肿瘤分割方法及系统,该方法大大减少了计算量的同时也加快了训练速度,缩短训练时间的基础上还可以保持较高的训练精度,具有良好的分割性能,对临床医生的诊断与病人治疗具有十分积极的意义。
35、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本专利技术的公开。
本文档来自技高网...【技术保护点】
1.一种基于V-Net的轻量级脑肿瘤分割方法,其步骤包括:
2.根据权利要求1所述的一种基于V-Net的轻量级脑肿瘤分割方法,其特征在于,
3.根据权利要求1所述的一种基于V-Net的轻量级脑肿瘤分割方法,其特征在于,混合损失函数BCEDice Loss是将二元交叉熵损失和Dice系数损失结合,通过线性组合来计算最终的损失;
4.根据权利要求1所述的一种基于V-Net的轻量级脑肿瘤分割方法,其特征在于,所述步骤5后处理包括去除噪声、填补空洞、平滑分割边界。
5.一种基于V-Net的轻量级脑肿瘤分割系统,其特征在于,包括
【技术特征摘要】
1.一种基于v-net的轻量级脑肿瘤分割方法,其步骤包括:
2.根据权利要求1所述的一种基于v-net的轻量级脑肿瘤分割方法,其特征在于,
3.根据权利要求1所述的一种基于v-net的轻量级脑肿瘤分割方法,其特征在于,混合损失函数bcedice loss是将二元...
【专利技术属性】
技术研发人员:王琳霖,张彤,王传云,邵景,李中一,高骞,张鑫,
申请(专利权)人:沈阳航空航天大学,
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。