【技术实现步骤摘要】
本专利技术属于脑肿瘤图像分割，具体涉及一种用于多模态磁共振成像的轻量化脑肿瘤分割网络及其分割方法。
技术介绍
1、脑肿瘤是一种在人的大脑或身体其它部位形成后转移到脑部的异常组织生长。其中，胶质瘤是中枢神经系统最常见的恶性肿瘤。它起源于脑组织中的神经胶质细胞，通常形成于大脑的深部或半球区域。由于神经胶质瘤是一种高度恶性侵袭性肿瘤，会导致颅腔内部的压力增加，从而压迫脑组织并造成脑功能障碍，情况严重的甚至威胁患者生命。因此，脑肿瘤的早期诊断和治疗对于改善预后非常重要。现代医学成像技术种类众多，尤其是多模态成像方式，不同模态的信息之间相互补充，相较于单一模态可以提供更为丰富的诊断信息，极大地提高了医生对于肿瘤诊断的正确率和准确性。磁共振成像是诊断神经胶质瘤的常用方法。它可以提供更好的分辨率与对比度，并且对人体没有电离辐射损伤，是一种无损伤成像方式。同时帮助医生观察和评估患者的大脑结构，包括肿瘤的位置、大小、形态和其他信息。正是这些优点使得多模态mri医学图像成为了脑肿瘤诊断和监测的主要成像方式。
2、脑肿瘤分割是指在医学图像中将脑组织中的肿瘤区域与正常区域分割开来。在脑肿瘤mri分割中，最为常用的四种mri图像模态分别为flair序列、t1序列、t1c序列以及t2序列。目前，脑肿瘤分割主要还是依赖于医生或专家的手动分割。可靠的脑肿瘤分割对于患者的手术设计、放疗计划和化疗方案等治疗决策提供重要依据，但是脑肿瘤的手动分割是一项非常耗时、昂贵且主观的任务，因此非常需要实用的自动分割方法。近年来，基于深度学习的方法在医学图像分割领域
3、中国专利公开了（申请号为：2022116836412）一种基于改进型3d-unet的mri图像脑肿瘤分割方法，方法主要为：对数据集中脑部mri图像进行预处理获得训练集；结合空洞卷积、通道注意力机制、残差卷积的方法构建改进型3d-unet框架利用训练集数据训练改进型3d-unet，脑肿瘤分割网络；将待分割的脑部mri图像测试数据导入脑肿瘤分割网络，得到分割后的结果。
4、上述方法中存在以下不足：上述专利考虑了对医学数据集进行了预处理，但没有注意到医学数据样本特有的结构性质，医学图像数据集在数量上就非常小，同时分割的前景和背景的边界不清晰以及器官与组织的共现现象非常严重，引起模型训练的过程中学习到混杂因子，同时在实际应用中也对模型的大小和推理速度存在要求。
5、因此，如何解决脑肿瘤分割网络训练过程中学习到混杂因数问题，提高脑肿瘤分割网络在实际应用中推理速度，从而提高脑肿瘤分割网络的准确率以及推理速度是本专利技术想要解决的技术问题。
技术实现思路
1、本专利技术的目的在于提供一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，以解决上述
技术介绍
中提出的问题以及现有技术的不足。
2、本专利技术目的是这样实现的：一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，利用卷积块搭建端到端的卷积神经网络来完成分割任务，脑肿瘤分割网络包括编码器和解码器，其特征在于：所述编码器包括四层网络，分别为第一特征处理层、第二因果交叉层、第三因果交叉层以及第四特征融合层；
3、所述解码器包括四层网络，分别为第一输出层、第二特征处理层、第三特征解码层以及第四输出层；
4、所述编码器采用跨层连接方法，在同一阶段实现相同尺度特征映射的不同层级之间的信息融合，并将融合后的信息传输至解码器，解码器拼接编码器流出特征的同时，进行共享特征之间的交叉处理。
5、优选的，所述第一特征处理层包括四个5×5×5步长为1的卷积，四个卷积并行处理输入的四个模态原始图并且共享参数；
6、所述第二因果交叉层由两个因果卷积模块组成，对应四个输入分支，因果卷积模块采用3×3×3步长为1的卷积，两个因果卷积模块之间共享参数；
7、所述第三因果交叉层由两个并行的最大池化级联单个因果卷积块组成，第二因果交叉层与第三因果交叉层均采用参数共享策略，两个特征图各自并行通过一个3×3×3且步长为1的卷积后得到的输出通道拼接对方的特征图，再各自进行归一化操作以及输入激活函数得到输出再各自通过一个3×3×3且步长为1的卷积后进行通道维度拼接，进行归一化操作以及激活函数得到分辨率与原始图像相等的特征图。
8、优选的，所述因果卷积模块基于语义因果链提出，语义因果链通过结构因果模型scm利用do算子进行后门调整，对常规分割语义链进行干预去混杂。
9、优选的，所述第四特征融合层包括最大池化级联常规卷积块，最大池化级联常规卷积块采用两个3×3×3且步长为1的卷积；
10、特征图先通过一个3×3×3且步长为1的卷积后并且进行归一化操作以及输入激活函数输出，再通过一个3×3×3且步长为1的卷积后并且进行归一化操作以及激活函数得到分辨率与原始图像相等的特征图。
11、优选的，所述第一输出层包括转置卷积级联常规卷积块，第一输出层接收来自第四特征融合层的输出，经转置卷积级联常规卷积块卷积后拼接第三因果交叉层流出相同维度的特征；
12、所述第二特征处理层包括转置卷积级联常规卷积块，接收第一输出层的输出，经转置卷积级联常规卷积块卷积后进行分支处理，拼接编码器第二因果交叉层流出的特征信息，利用因果卷积块进行参数共享特征之间的交叉处理，将处理后的特征输入至第三特征编码层；
13、所述转置卷积级联常规卷积块采用2×2×2且步长为2的转置卷积。
14、优选的，所述第三特征解码层包括单个1×1×1步长为1的卷积块，进一步提取去除混杂后的特征；
15、所述第四输出层包括单个1×1×1步长为1的卷积块，输出最终的分割图。
16、优选的，所述解码器与编码器之间采用跨层连接方法，在同一阶段实现相同尺度特征映射的不同层级之间的信息融合，同时还采用层级特征融合策略；
17、所述解码器与编码器均引入因果卷积块用于特征解混，旨在去除特征中残留的混杂，帮助模型更好地提取稳定特征。
18、一种用于多模态磁共振成像的轻量化脑肿瘤分割网络的分割方法，其特征在于：该方法基于权利要求1-7任意一项一种用于多模态磁共振成像的轻量化脑肿瘤分割网络构成；该方法包括以下步骤：
19、步骤s1：对输入的四个原始图像序列分别送入编码器分支进行5×5×5步长为1的卷积，生成四个分辨率与原始图像相等，通道数为4的第一特征图；
20、步骤s2：对四个第一特征图两两配对分别送入因果卷积模块，生成两个分辨率与原始图像相等，通道数为16的第二特征图，并引出两个分支输出s11和s12供解码端使用；
21、步骤s3：对两个第二特征图进行步本文档来自技高网...
【技术保护点】
1.一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，利用卷积块搭建端到端的卷积神经网络来完成分割任务，脑肿瘤分割网络包括编码器和解码器，其特征在于：所述编码器包括四层网络，分别为第一特征处理层、第二因果交叉层、第三因果交叉层以及第四特征融合层；
2.根据权利要求1所述的一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，其特征在于：所述第一特征处理层包括四个5×5×5步长为1的卷积，四个卷积并行处理输入的四个模态原始图并且共享参数；
3.根据权利要求2所述的一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，其特征在于：所述因果卷积模块基于语义因果链提出，语义因果链通过结构因果模型SCM利用Do算子进行后门调整，对常规分割语义链进行干预去混杂。
4.根据权利要求1所述的一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，其特征在于：所述第四特征融合层包括最大池化级联常规卷积块，最大池化级联常规卷积块采用两个3×3×3且步长为1的卷积；
5.根据权利要求1所述的一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，其特征在于：所述第一输出层包括转置卷积
6.根据权利要求1所述的一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，其特征在于：所述第三特征解码层包括单个1×1×1步长为1的卷积块，进一步提取去除混杂后的特征；
7.根据权利要求1所述的一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，其特征在于：所述解码器与编码器之间采用跨层连接方法，在同一阶段实现相同尺度特征映射的不同层级之间的信息融合，同时还采用层级特征融合策略；
8.一种用于多模态磁共振成像的轻量化脑肿瘤分割网络的分割方法，其特征在于：该方法基于权利要求1-7任意一项一种用于多模态磁共振成像的轻量化脑肿瘤分割网络实施；该方法包括以下步骤：
...【技术特征摘要】
1.一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，利用卷积块搭建端到端的卷积神经网络来完成分割任务，脑肿瘤分割网络包括编码器和解码器，其特征在于：所述编码器包括四层网络，分别为第一特征处理层、第二因果交叉层、第三因果交叉层以及第四特征融合层；
2.根据权利要求1所述的一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，其特征在于：所述第一特征处理层包括四个5×5×5步长为1的卷积，四个卷积并行处理输入的四个模态原始图并且共享参数；
3.根据权利要求2所述的一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，其特征在于：所述因果卷积模块基于语义因果链提出，语义因果链通过结构因果模型scm利用do算子进行后门调整，对常规分割语义链进行干预去混杂。
4.根据权利要求1所述的一种用于多模态磁共振成像的轻量化脑肿瘤分割网络，其特征在于：所述第四特征融合层包括最大池化级联常规卷积块，最大池化级联常规卷积块采用两个3×3×3且步...
【专利技术属性】
技术研发人员：樊亚文，王潮远，陈天煜，王翔，陈建新，
申请(专利权)人：南京邮电大学，
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。