【技术实现步骤摘要】
本申请涉及医疗，尤其涉及基于主干特征增强的脑胶质瘤分割及模型构建方法、设备
技术介绍
1、脑胶质瘤是成人最常见的原发性颅内恶性肿瘤，常引起患者癫痫发作，神经功能废损及颅内压升高，对患者的生活质量以及生命健康构成严重威胁。目前对于脑胶质瘤的治疗方式有限，外科手术是诊断和治疗脑胶质瘤的起始步骤，在术前通过医学影像技术对颅内占位的准确预测以及脑胶质瘤与正常组织的精确分割对患者治疗和术后康复十分重要。
2、核磁共振(mri)是脑胶质瘤术前常规开展的影像检查。常规增强mri检查包括t1、增强t1、t2和flair四个模态，这些模态提供了颅内组织不同对比度的信息，有助于医生观察和分析病变区域。同时，ct技术也扮演着重要角色。通过x射线照射和计算机重建，ct技术能够高分辨率、快速地生成颅内结构的三维图像，为脑胶质瘤的诊断提供有力支持。近年来，深度学习技术的形式在医学影像分析领域取得了显著进展。许多基于深度学习的方法被应用于脑肿瘤分割，并在此取得了优异效果，但是目前已有研究方法往往用级联的神经网络去处理不同区域的分割问题，这使得整体模型十分冗余，并且网络之间训练相互独立的同时，后一级的网络输入严重依赖于前一级网络，因此，最终分割精度也较低。
3、即现有技术中，在利用mri三维脑部影像通过深度学习后，在脑胶质瘤的分割精度、以及模型的性能方面仍存在不足。
技术实现思路
1、为至少在一定程度上克服相关技术中在利用mri三维脑部影像通过深度学习后，在脑胶质瘤的分割精度不高以及泛化能
2、本申请的方案如下：
3、第一方面，本申请提供基于主干特征增强的脑胶质瘤分割模型构建方法，所述方法包括：
4、得到脑胶质瘤医学相关数据；其中，所述脑胶质瘤医学相关数据，包括：训练集、验证集和测试集；
5、将所述训练集和验证集输入到预先得到的初始化脑胶质瘤分割模型，进行模型训练，得到训练后的脑胶质瘤分割模型；
6、其中，所述初始化脑胶质瘤分割模型，包括：第一模型、第二模型及第三模型；
7、所述第一模型，用于利用resnet残差网络模型作为下采样层对脑胶质瘤数据进行特征信息提取，得到第一处理数据；
8、所述第二模型，用于对第一处理数据进行数据聚焦，得到第二输出数据；
9、所述第三模型，用于利用所述第二输出数据对初始化脑胶质瘤分割模型进行调整，得到训练后的脑胶质瘤分割模型。
10、进一步的，所述将所述训练集和验证集输入到预先得到的初始化脑胶质瘤分割模型，进行模型训练，得到训练后的脑胶质瘤分割模型，包括：
11、利用resnet残差网络模型作为下采样层对脑胶质瘤数据进行特征信息提取，得到第一处理数据；
12、对原始unet神经网络模型上采样层的加强主干特征提取网络部分引入注意力机制，并对所述第一处理数据进行数据聚焦，得到第二输出数据；
13、利用预先所提出的混合损失函数对所述第二输出数据进行调整，利用调整后的数据对所述初始化脑胶质瘤分割模型进行调整，得到训练后的脑胶质瘤分割模型，其中，所述混合损失函数，包括：dice loss损失函数和focal loss损失函数。
14、进一步地，所述利用resnet残差网络模型作为下采样层对脑胶质瘤数据进行特征信息提取，得到第一处理数据，包括：
15、基于原始unet神经网络模型，利用resnet残差网络模型作为主干特征提取网络对所述脑胶质瘤图像进行纵向维度的特征提取；
16、基于原始unet神经网络模型及纵向维度的特征提取的结果，在所述resnet残差网络模型的残差结构中的3×3标准卷积嵌入acnet模块中的3×1卷积和1×3卷积，对所述训练集进行横向维度的特征提取，得到第一处理数据。
17、进一步地，所述对原始unet神经网络模型上采样层的加强主干特征提取网络部分引入注意力机制，并对所述第一处理数据进行数据聚焦，得到第二输出数据，包括：
18、对原始unet神经网络模型每次上采样经过两次卷积后引入注意力机制；
19、利用所述注意力机制将原始unet神经网络模型中的网络聚焦于所述第一处理数据中，得到第二输出数据。
20、进一步地，所述利用所提出的混合损失函数对所述第二输出数据进行调整，利用调整后的数据对所述初始化脑胶质瘤分割模型进行调整，得到训练后的脑胶质瘤分割模型，第二输出数据包括：
21、分别设置dice loss损失函数和focal loss损失函数的权重；
22、利用权重的设置结果，通过dice loss损失函数对第二输出数据进行衡量，得到预测的分割结果与实际分割掩码之间的相似性；
23、利用权重的设置结果及预测的分割结果与实际分割掩码之间的相似性，通过focal loss损失函数对第二输出数据进行类别平衡，得到训练后的脑胶质瘤分割模型。
24、进一步地，所述dice loss损失函数，用于衡量预测的分割结果与实际分割掩码之间的相似性，如式1所示：
25、
26、其中x表示预测分割结果，y表示实际分割掩码。
27、进一步地，所述focal loss损失函数，用于解决类别不平衡的问题，如式2所示：
28、focal_loss＝-α×(1-p)γ+log(p) (2)
29、其中p表示模型的预测概率，α是类别权重，γ是聚焦参数，log表示自然对数。
30、第二方面，本申请提供基于主干特征增强的脑胶质瘤分割方法，所述方法包括：
31、得到脑胶质瘤医学图像；所述脑胶质瘤医学图像，包括：颅内区域医学图像和胶质瘤标签图像；
32、对所述脑胶质瘤医学图像进行图像预处理，得到脑胶质瘤医学相关数据；所述脑胶质瘤医学相关数据，包括：训练集、验证集和测试集；
33、将所述测试集输入到训练后的脑胶质瘤分割模型中进行测试并得到脑胶质瘤区域的精细分割图像；
34、其中，所述训练后的脑胶质瘤分割模型为上述任一项所述的方法构建得到。
35、进一步地，所述对所述脑胶质瘤医学图像进行图像预处理，得到脑胶质瘤医学相关数据，包括：
36、将所述颅内区域医学图像和所述胶质瘤标签图像沿着轴状面进行序列切片并去除空白图片，得到第一预处理图像；
37、对所述第一预处理图像进行归一化处理，得到脑胶质瘤医学相关数据。
38、第三方面，本申请提供基于主干特征增强的脑胶质瘤分割设备，包括：处理器、存储器和通信总线，其中，处理器和存储器通过通信总线完成相互间的通信；
39、所述存储器，用于存储计算机程序；
40、所述处理器，用于执行所述存储器中所存储的程序，实现上述任一项所述的基于主干特征增强的脑胶质瘤分割模本文档来自技高网...
【技术保护点】
1.基于主干特征增强的脑胶质瘤分割模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的构建方法，其特征在于，将所述的训练集和验证集输入到预先得到的初始化脑胶质瘤分割模型，进行模型训练，得到训练后的脑胶质瘤分割模型，包括：
3.根据权利要求1所述的构建方法，其特征在于，所述利用ResNet残差网络模型作为下采样层对脑胶质瘤图像进行特征信息提取，得到第一处理数据，包括：
4.根据权利要求1所述的构建方法，其特征在于，所述对原始UNet神经网络模型上采样层的加强主干特征提取网络部分引入注意力机制，并对所述第一处理数据进行数据聚焦，得到第二输出数据，包括：
5.根据权利要求1所述的构建方法，其特征在于，所述利用预先所提出的混合损失函数对所述第二输出数据进行调整，利用调整后的数据对所述初始化脑胶质瘤分割模型进行调整，得到训练后的脑胶质瘤分割模型，第二输出数据包括：
6.根据权利要求5所述的构建方法，其特征在于，所述Di ce Loss损失函数，用于衡量预测的分割结果与实际分割掩码之间的相似性，如式1所示：
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。