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: 2021115164729
申请人: 南昌大学
专利类型:发明专利
专利状态:已下证
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:

1.一种基于深度学习的三维MRI脑肿瘤分割方法,其特征在于,包括以下步骤:S1、对三维MRI脑部数据进行预处理并划分数据集;

MRI图像有4个不同的模态包括T1、T1ce、T2和FLAIR,把4个数据拼接在一起形成4个输入通道,并做一些必要的数据预处理并划分数据集,数据集划分为训练集、验证集和测试集;

S2、构建并训练深度卷积神经网络模型;

利用所述训练集对深度卷积神经网络进行训练并利用所述验证集随时对训练的网络进行验证;其中,所述的深度卷积神经网络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;

S3、对得到的预测数据后处理;

将测试数据送入训练好的深度卷积神经网络模型进行预测,输出的特征图经过后处理后,得到最终的肿瘤,通常增强肿瘤区域较难预测,容易产生假阳性的预测结果,所以当预测的增强肿瘤区域过小时,将增强肿瘤区域替换为坏死/水肿区域。

2.根据权利要求1所述的一种基于深度学习的三维MRI脑肿瘤分割方法,其特征在于,S1所述预处理是将原始大小为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;在输入网络前对数据进行归一化处理,降低网络的学习难度,并采取在线的方式对训练数据进行多样化操作,包括随机缩放,沿三维方向随机翻转和随机裁切,最终送入网络的三维图像大小为96*144*144;最后将大脑数据集按8:1:1的比例划分为训练集、验证集和测试集。

3.根据权利要求1所述的一种基于深度学习的三维MRI脑肿瘤分割方法,其特征在于,S2所述的编码器包含3组下采样卷积模块和1组多尺度卷积联合模块,对应的解码器包含3个全局上下文聚合模块。

4.根据权利要求3所述的基于深度学习的三维MRI脑肿瘤分割方法,其特征在于,经过预处理的数据输入下采样卷积模块,然后输入到多尺度卷积联合模块完成编码过程。

5.根据权利要求4所述的基于深度学习的三维MRI脑肿瘤分割方法,其特征在于,所述的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单元,然后是一个2*2*2最大池化层,每个维度的步幅均为2;

所述的多尺度卷积联合模块包含两组不同膨胀率的卷积;这两组卷积以级联的方式组合,每组卷积由3个卷积核大小为3且空洞率不同的空洞卷积和1个1*1*1的卷积以并行的方式叠加;第一组空洞卷积的空洞率为1,2,4;第二组空洞卷积的空洞率为1,2,5;此外,每个卷积核为3*3*3的卷积后面都跟着1个组数为8的组归一化层和一个ReLu线性单元;组内每个卷积都产生相同数量的输出维数。

6.根据权利要求3所述的基于深度学习的三维MRI脑肿瘤分割方法,其特征在于,完成编码的特征图输入到由3个全局上下文聚合模块构成的解码器中进行解码,最终输出分割结果。

7.根据权利要求6所述的基于深度学习的三维MRI脑肿瘤分割方法,其特征在于,特征图首先由每个维度步幅为2,卷积核为2*2*2的反卷积进行上采样,然后通过元素求和的方式对编码路径和解码路径中具有相同分辨率特征信息进行融合;融合的特征经过2个1*1*1的卷积后得到2个特征图记为特征图A和特征图B,同时也形成了两个分支,记为分支Z1和分支Z2;为了高效地收集每个空间位置的背景信息,在Z1分支首先采取全局平均池化的操作,生成全局上下文特征表示之后再与A相加;然后,得到的特征应用Sigmoid层得到特征权重图S,最后,S与经过卷积操作的特征图A进行元素相乘得到特征图D,随后,特征图D送入到卷积核大小为3*3*3的三维卷积内,并且后面跟着1个组数为8的组卷积以及1个非线性激活函数ReLu,最终得到重新校准后的特征Y1;在Z2分支,让特征图B经过1个各个方向步长为2,卷积核大小为3的3D卷积操作,得到特征图Y2,最后将两个分支的输出Y1和Y2沿着通道的方向拼接在一起形成全局上下文聚合模块输出Y。

8.根据权利要求6所述的基于深度学习的三维MRI脑肿瘤分割方法,其特征在于,所述步骤S2中,在所述的深度卷积神经网络中,设置损失函数为:其中,Lg1,Lg2,Lg3分别为3个全局上下文聚合模块输出的损失函数,均为Dice损失,具体的计算方式如下所示:

其中,T为人工标注的真实肿瘤像素,S为模型预测的肿瘤像素。