1.一种基于GAN‑UNet变体网络的脑部MRI肿瘤分割方法,其特征在于:所述分割方法包括:
通过GAN‑UNet变体网络结构的生成器中的编码器对胶质瘤的多模态MRI图像从低水平像素信息进行高阶维度的胶质瘤语义特征信息提取;
通过GAN‑UNet变体网络结构的生成器中的解码器对高阶维度的特征信息进行降维解析:解码器的每一层经过上采样对底层信息进行尺寸扩张,丰富分析内容,将细化通道注意力块放置在两种特征信息融合的两条路径上,分别进行一个前置预处理,细化通道注意力块对不同源信息进行重提炼,对信息在通道级上进行关注度划分,降低特征拼接后的计算量,对胶质瘤信息进行精准的通道级定位,并在特征拼接后由两个卷积核为3×3×3的卷积块与一个多尺度金字塔融合块进行特征降维解析;
通过卷积核为1×1×1的卷积块对输入的胶质瘤多模态MRI图像进行肿瘤区域的分割预测,得到预测图片,并通过生成器输出结果。
2.根据权利要求1所述的一种基于GAN‑UNet变体网络的脑部MRI肿瘤分割方法,其特征在于:所述编码器的每一层都由两个卷积核为3×3×3的卷积块和一个多尺度金字塔融合块构成,每层通过特征分析后都经过一个最大池化层进行下采样以减少信息尺寸后再传入下一层,并通过残差连接的方式,最大化保留特征信息;通过多尺度金字塔融合块进行抽象化信息分析,以减少胶质瘤特征信息的损失。
3.根据权利要求2所述的一种基于GAN‑UNet变体网络的脑部MRI肿瘤分割方法,其特征在于:所述GAN‑UNet变体网络结构的生成器中,每层增加一个第二卷积层来进行图像信息特征的提取,编码器每次下采样后将信息传递给下一层的输入和第二卷积层提取后的输入,解码器的每一层经过上采样后,通过第二卷积层提取特征信息,特征拼接后,信息同时传递给下一层的输入和第二卷积层提取后的输入。
4.根据权利要求1所述的一种基于GAN‑UNet变体网络的脑部MRI肿瘤分割方法,其特征在于:所述多尺度金字塔融合块包括四层结构,第一层将输入信息分别经过4个卷积核为1×1×1的卷积块,使输入信息以多角度进行重塑,4个卷积块输出的信息再分别通过ReLu激活函数加组正则化的方式对数据进行非线性和归一化,选择其中一个卷积块作为第一层输出;第二层将第一层的第三和第四卷积块输出的信息融合,再经过一个卷积核为5×5×5的卷积块进行更广的局部特征提取;第三层将第一层的第二卷积块输出的信息与第二层输出的信息融合,再经过一个卷积核为3×3×3的卷积块进行常规特征提取;第四层将第三层输出的信息与第一层的第一卷积块输出的信息进行特征求和,最后将这四层的输出特征进行拼接融合,再经过一个卷积核为1×1×1的卷积块,将重塑后的特征信息作为卷积核为1×1×1的卷积块的输出。
5.根据权利要求1所述的一种基于GAN‑UNet变体网络的脑部MRI肿瘤分割方法,其特征在于:所述细化通道注意力块分别放置在两种不同源信息融合路径上,其中一条路径是带有残差连接的特征信息提取块,另一条路径先经过一个卷积核为3×3×3的卷积块,然后转置经过全局平均池化处理,并计算通道级别的注意力权重,最后将计算好的通道注意力权重与细化后的特征信息相乘,从而得到带有通道级注意力的胶质瘤特征信息。
6.根据权利要求1所述的一种基于GAN‑UNet变体网络的脑部MRI肿瘤分割方法,其特征在于:所述GAN‑UNet变体网络结构还包括判别器,所述判别器将生成器生成的预测图片与真实标签图像经过由3D卷积层以及Relu激活函数,进行特征初次提取,然后逐次经过三个由3D卷积层、组正则化层和Relu激活函数堆叠的块,最后再通过由3D卷积层和Relu激活函数组成的块,输出判别结果。
7.根据权利要求1‑6中任意一项所述的一种基于GAN‑UNet变体网络的脑部MRI肿瘤分割方法,其特征在于:所述分割方法也包括脑部MRI肿瘤数据预处理步骤,对训练数据集中的MRI图像进行标记,将每张MRI图像中为肿瘤信息的数据通过Z‑score归一化方法进行预处理,并将图像的尺寸进行调整以适应GAN‑UNet变体网格结构的分割要求。