脑胶质瘤图像分割、模型构建方法及装置制造方法及图纸

本发明专利技术公开了一种脑胶质瘤图像分割、模型构建方法及装置，该方法包括：构建脑胶质瘤训练集和验证集；构建基于全编码器跳跃连接的初始脑胶质瘤图像分割模型，模型包括五个编码器和四个解码器；每一解码器分别得到来自所有编码器和其上一层或下一层解码器的特征输入；基于训练集和验证集训练初始模型，直至获得验证集评估指标最大时对应分割模型的权重参数，得到最优脑胶质瘤图像分割模型以实现图像高效准确分割。本发明专利技术通过从编码器所有层引入全编码器跳跃连接，最大限度地利用编码器的特征提取优势，充分有效地获取脑胶质瘤各子区域的语义特征，有效解决现有网络参数量大而造成大量权重参数冗余的问题，平衡了网络参数数量与分割精度之间的关系。

【技术实现步骤摘要】

本专利技术涉及人工智能及图像分割，尤其涉及一种脑胶质瘤图像分割、模型构建方法及装置。

技术介绍

1、本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

2、目前，脑胶质瘤核磁共振mr影像，主要借助传统分割方法或深度学习方法进行脑胶质瘤的语义分割。

3、传统分割方法主要包含图谱法和模型优化法。图谱法通过图像配准融合相似图像(即图谱)的标签进行分割，有机结合了医生先验知识与图像分割理论，但只适用于诸如肝脏、脾脏等形状规则且固定的医学表征。模型优化法主要基于能量函数和统计模型。能量函数具有初值敏感性，为获取合适初值，研究人员提出了平衡优化器算法、混沌灰狼优化算法、海洋捕食者算法等元启发式算法；基于统计模型的模型优化法的核心可以构建联合概率函数如借助贝叶斯神经网络、高斯分布和限制玻尔兹曼机等方法，也可以构建条件概率分布如采用随机森林、支持向量机、稀疏表示等方法。然而，传统分割方法适应性低、鲁棒性差，不适合复杂多变的脑胶质瘤的语义分割。深度学习方法借助卷积操作可以拟合复杂医学表征数本文档来自技高网...

【技术保护点】

1.一种脑胶质瘤图像分割模型的构建方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述损失函数为基于相似度损失DL、动态缩放交叉熵损失FL和相对熵损失KL，考虑损失值的均衡性，设计的如下损失函数DFKL：DFKL＝3logDL2+logFL2+0.1logKL2。

3.如权利要求1所述的方法，其特征在于，全编码器跳跃连接结构具体包括：所述第一编码器、第二编码器、第三编码器、第四编码器的输出分别经下采样操作后依次作为第二编码器、第三编码器、第四编码器和第五编码器的输入；所述第一编码器、第二编码器、第三编码器、第四编码器的输出分别依次作为所述第四解码...

【技术特征摘要】

1.一种脑胶质瘤图像分割模型的构建方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述损失函数为基于相似度损失dl、动态缩放交叉熵损失fl和相对熵损失kl，考虑损失值的均衡性，设计的如下损失函数dfkl：dfkl＝3logdl2+logfl2+0.1logkl2。

3.如权利要求1所述的方法，其特征在于，全编码器跳跃连接结构具体包括：所述第一编码器、第二编码器、第三编码器、第四编码器的输出分别经下采样操作后依次作为第二编码器、第三编码器、第四编码器和第五编码器的输入；所述第一编码器、第二编码器、第三编码器、第四编码器的输出分别依次作为所述第四解码器、第三解码器、第二解码器和第一解码器的第一输入；所述第一编码器、第二编码器和第三编码器的输出分别经第一下采样处理后依次作为所述第三解码器、第二解码器和第一解码器的第二输入，所述第一编码器和第二编码器的输出分别经第二下采样处理后依次作为所述第二解码器和第一解码器的第三输入，所述第一编码器的输出经第三下采样处理后作为所述第一解码器的第四输入；所述第二编码器、第三编码器、第四编码器和第五编码器的输出分别经第一上采样操作后依次作为所述第四解码器、第三解码器、第二解码器和第一解码器的第五输入，所述第三编码器、第四编码器和第五编码器的输出分别经第二上采样操作后依次作为所述第四解码器、第三解码器和第二解码器的第四输入，所述第四编码器和第五编码器的输出分别经第三上采样操作后依次作为所述第四解码器和第三解码器的第三输入，所述第五编码器的输出经第四上采样操作后作为所述第四解码器的第二输入；所述第一解码器、第二解码器和第三解码器的输出分别依次作为所述第二解码器、第三解码器和第四解码器的第六输入；所述第一解码器的第一输入、第二输入、第三输入、第四输入和第五输入在通道上融合后作...

【专利技术属性】
技术研发人员：张庆华，
申请(专利权)人：华中科技大学协和深圳医院，
类型：发明
国别省市：