一种基于深度学习的脑肿瘤MRI图像分割方法技术

本发明专利技术提供了一种基于深度学习的脑肿瘤MRI图像分割方法，包括：1）获取三维MRI图像数据集；2）对数据集预处理；3）通过U‑Net网络结构与多尺度卷积联合模块和全局上下文聚合模块结合；4）利用训练集对网络进行训练并用验证集对网络验证；5）对输出的特征图进行后处理，得到肿瘤分割图像；6）将测试数据集送入训练好的模型。本发明专利技术方法能够有效融合全局上下文信息并减少了学习到的冗余特征的影响，从而提高了网络对目标区域的分割能力，以达到精确分割脑肿瘤图像的效果。

【技术实现步骤摘要】

本专利技术涉及计算机视觉和人工智能，具体涉及一种基于深度学习的脑肿瘤mri图像分割方法。

技术介绍

1、脑部肿瘤有着非常高的致死率和发病率，但是如果及时发现脑部肿瘤，尽早诊断尽早治疗可以增加治愈的可能性。脑肿瘤图像分割是脑肿瘤临床诊断和治疗过程中非常重要的一步，通过在mri的图像中对肿瘤进行分割，医生可以定位肿瘤的位置并得到肿瘤的尺寸，然后制定相关的治疗和康复策略。但是，由于脑肿瘤结构复杂，形状多变以及类别极不平衡等特点，传统的图像分割算法如区域生长和阈值法等往往很难获得令人满意的分割效果。因此，开发鲁棒精确的自动分割方法，实现有效和客观的分割，是一个极富挑战性的研究领域。

2、近年来，基于深度学习技术，特别是基于深度卷积神经网络(dcnns)的图像分割方法得到了飞速的发展。最流行的方法是使用一种u型架构分割医学图像，也就是基于cnn的u-net模型。u-net 是一种新颖的网络和训练策略，其解码器引入跳跃连接机制，从而充分利用低层级和 高层级特征进行图像分割，减少信息丢失。此外，u-net网络在训练时采用数据增强和 丢弃正则化等方法，提高网络本文档来自技高网...

【技术保护点】

1.一种基于深度学习的脑肿瘤MRI图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的脑肿瘤MRI图像分割方法，其特征在于，步骤S1中所述对三维脑部MRI图像数据进行预处理，预处理过程为：将三维脑部MRI图像的4个不同的模态拼接在一起形成4个输入通道，将原始大小为155*240*240的三维脑部MRI图像裁切至150*192*192大小，去除多余的背景像素，对裁切后的图像数据进行归一化处理，并采取在线的方式对训练数据进行多样化操作，最终送入深度卷积神经网络模型的三维图像打小为96*144*144。

3.根据权利要求1所述的一种基于深...

【技术特征摘要】

1.一种基于深度学习的脑肿瘤mri图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的脑肿瘤mri图像分割方法，其特征在于，步骤s1中所述对三维脑部mri图像数据进行预处理，预处理过程为：将三维脑部mri图像的4个不同的模态拼接在一起形成4个输入通道，将原始大小为155*240*240的三维脑部mri图像裁切至150*192*192大小，去除多余的背景像素，对裁切后的图像数据进行归一化处理，并采取在线的方式对训练数据进行多样化操作，最终送入深度卷积神经网络模型的三维图像打小为96*144*144。

3.根据权利要求1所述的一种基于深度学习的脑肿瘤mri图像分割方法，其特征在于，步骤s1中预处理所得数据集按8：1：1的比例划分为训练集、验证集和测试集。

4.根据权利要求2所述的一种基于深度学习的脑肿瘤mri图像分割方法，其特征在于，所述4个不同的模态包括t1、t1ce、t2和flair；所述多样化操作包括随机缩放，沿三维方向随机翻转和随机裁切。

5.根据权利要求1所述的一种基于深度学习的脑肿瘤mri图像分割方法，其特征在于，步骤s2中，构建的深度卷积神经网络模型包含有一个编码器和对应的解码器，解码器通过跳跃连接获取编码器的特征；所述编码器和解码器的工作过程如下：

6.根据权利要求5所述的一种基于深度学习的脑肿瘤mri图像分割方法，其特征在于，所述下采样卷积模块包括两个3 *3 *3卷积，每个卷积后面跟着一个组数为8的组归一化层和一个用来增加非线性的relu单...

【专利技术属性】
技术研发人员：鄢铭浩，邹艳妮，
申请(专利权)人：南昌大学，
类型：发明
国别省市：