欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019113674471
申请人: 河南工业大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于U-Net网络的脑肿瘤分割网络,其特征在于:包括收缩径路、扩张路径和网络跳跃连接部分;

收缩路径包括四个下采样层,下采样层采用3×3的卷积层并且进行一次批标准化计算,相邻两个卷积层之间进行最大池化操作,收缩路径末尾连接有空间金字塔池化结构;

扩张路径包括四个上采样层,上采样层采用3×3的卷积层并且进行放大倍数为2×2的上采样计算,在原有图像像素的基础上在像素点之间采用双线性内插值算法插入新元素;

网络跳跃连接部分引入不同尺度的空洞卷积,并且采用Add操作与原始输入形成一个带有空洞卷积的残差块,扩大收缩路径中的浅层特征信息的感受野,然后与对应阶段的扩张路径融合。

2.根据权利要求1所述的基于U-Net网络的脑肿瘤分割网络,其特征在于:所述残差块包括四个不同尺度的空洞卷积层,每个空洞卷积层均连接对应下采样层的输出,空洞卷积层输出结果与对应下采样层输出通过Add操作构成一个残差连接,每个残差连接的输出结果通过Merge操作与对应低一层次的上采样数据在Z轴上进行融合,融合后的特征图像最终用作对应上采样层的输入。

3.根据权利要求2所述的基于U-Net网络的脑肿瘤分割网络,其特征在于:四个空洞卷积层的采样率分别为16、8、2和4。

4.根据权利要求2所述的基于U-Net网络的脑肿瘤分割网络,其特征在于:所述空间金字塔池化结构包括BN模块和四个尺度的3×3的空洞卷积层,先对输入图像进行批标准化操作并输出特征图,然后对特征图进行3×3的空洞卷积级联,四个空洞卷积层的采样率分别为2、4、8和16。

5.根据权利要求2所述的基于U-Net网络的脑肿瘤分割网络,其特征在于:所述卷积层中加入了BN模块。

6.一种基于权利要求2所述基于U-Net网络的脑肿瘤分割网络的分割方法,其特征在于:包括以下步骤:A、建立训练数据集并对训练数据集进行裁剪预处理,生成具有四种模态的二维图像作为训练阶段的输入;

B、构建基于U-Net网络的脑肿瘤分割网络DCU-Net;具体过程如下:

b1:使用多尺度空间金字塔池化替换U-Net收缩路径末端的最大池化,在保持图像分辨率的同时,扩大特征感受野;具体为:空间金字塔池化先对输入图像进行批标准化,然后分别对输入图像进行四个尺度的3×3空洞卷积级联,提取不同感受野的特征图并将特征信息进行融合,最后级联输出不同感受野抓取的特征图;

b2:在U-Net的跳跃连接部分通过Add操作引入空洞卷积残差块,然后与对应阶段的扩张路径融合;具体为:空洞卷积层连接对应下采样层的输出,空洞卷积层输出结果与对应下采样层输出通过Add操作构成一个残差连接,每个残差连接的输出结果通过Merge操作与对应低一层次的上采样数据在Z轴上进行融合,融合后的特征图像最终用作对应上采样层的输入;

C、将预处理后的二维图像输入到分割模型中进行特征学习和优化,获取分割模型的最优参数模型;

D、将待分割的测试数据集图像输入步骤C所得分割模型中进行肿瘤区域分割,输出分割后的图像。

7.根据权利要求6所述的基于U-Net网络的脑肿瘤分割方法,其特征在于:步骤C具体过程如下:选择损失函数作为优化目标完成网络训练优化,损失函数采用交叉熵;损失函数定义如下:*

公式(1)中,yi表示真实值,yi表示预测值;通过神经网络将真实值与预测值进行匹配,再经过损失函数就即可计算出损失;

然后,扩张路径最后使用非线性激活函数将特征转化为三个标签的概率预测值,采用梯度下降算法进行网络权重参数优化,以达到损失最小化,完成网络参数的训练;

最后,通过Sofmax分类函数对像素点逐一进行概率映射,以得到分割好的标签概率图输出。

8.根据权利要求7所述的基于U-Net网络的脑肿瘤分割方法,其特征在于:在分割测试数据集时,通过Softmax分类函数将多个神经元的原始输出值映射为0~1的概率分布,取概率最大值作为该像素值的分类标签,最终逐像素对待分割图像进行三个肿瘤标签划分。

9.根据权利要求6所述的基于U-Net网络的脑肿瘤分割方法,其特征在于:步骤A具体过程如下:a1:随机选取N位患者的MRI作为训练数据集,将大小为240×240×155的四种模态的三维MRI图像进行裁剪处理,选取中间的152层作为数据集;

a2:将152层MRI中每一层的大小由240×240裁剪为146×192,除去了部分背景像素,最终将大小为240×240×155的三维MRI图像裁剪为146×192×152的大小的三维MRI图像;

a3:对裁剪后的三维MRI图像进行强度归一化;具体为:移除每个图像序列的1%最高强度值和1%最低强度值,采用强度归一化算法将图像中每个像素强度值减去均值除以方差,得到强度值范围为[0,1]的标准化图像;

a4:将N张146×192×152大小的三维MRI图像以像素为中心进一步划分为8760个大小为128×128大小的二维图像块,并进行强度归一化。