CN114926477B 一种基于深度学习的脑肿瘤多模态mri影像分割方法 （东北大学）

号AU2020103905A4,2021一种基于深度学习的脑肿瘤多模态MRI影像本发明的一种基于深度学习的脑肿瘤多模通道注意力模块的基础上建立脑肿瘤MRI影像分经网络对病患多种模态MRI影像的病灶区域进行2步骤4：在空洞多尺度幻影模块和通道注意力模块的基础步骤5：使用训练集训练深度卷积神经网络，对效果表现良好的训练模型进行筛选保步骤7：使用步骤6中训练完成的深度卷积神经网络对病患多种模态MRI影像中的病灶步骤2.1：对来自卷积网络上一层I通道的输出特征图使用3×3的标准卷积生成O通道进行一次批量标准化与ReLU激活函数的运算得到第一组幻影进行一次批量标准化与ReLU激活函数的运算得到第二组幻影道数为2O的输出特征图作为空洞多尺度幻通道数分别为128,256,512,512；对第四个空洞多尺度幻影模块的输出特征图进行特征注32.如权利要求1所述的基于深度学习的脑肿瘤多模态MRI影像分割方法，其特征在于，3.如权利要求1所述的基于深度学习的脑肿瘤多模态MRI影像分割方法，其特征在于，步骤3.1：对于来自卷积网络上一层尺寸为I×W×H的输出特征图X使用I个1×W×H的卷积核逐层运算得到长度为I的一维的空间上下文描4.如权利要求1所述的基于深度学习的脑肿瘤多模态MRI影像分割方法，其特征在于，4步骤5.3：将划分完毕的训练集送入网络，并随机抽取一定比例数据集作为验证集使5.如权利要求1所述的基于深度学习的脑肿瘤多模态MRI影像分割方法，其特征在于，5[0001]本发明属于医学图像后处理技术领域，涉及一种基于深度学习的脑肿瘤多模态％～传与后天均有可能导致脑肿瘤的病发，具有家族病史人群更应定期进行脑部医学影像检6[0009]为解决上述技术问题，本发明的目的是提供一种基于深度学习的脑肿瘤多模态[0012]步骤2：构建空洞多尺度幻影模块，使用线性卷积核生成幻影特征降低网络参数[0017]步骤7：使用步骤6中训练完成的深度卷积神经网络对病患多种模态MRI影像中的7[0029]步骤2.1：对来自卷积网络上一层I通道之后进行一次批量标准化与ReLU激活函数的运算得到第一组幻之后进行一次批量标准化与ReLU激活函数的运算得到第二组幻H的卷积核逐层运算得到长度为I的一维的空间上下文描述信图的通道数分别为128,256,512,512；对第四个空洞多尺度幻影模块的输出特征图进行特8[0057]针对背景技术中阐述的现有基于卷积神经网络的脑肿瘤分割算法研究中的三点使用大量的分组卷积减少参数量，同时在不会额外增加参数量的同时扩大网络的感受野，过对Focal损失函数的部分的超参数α与γ的设置来缓解脑肿瘤MRI中前后背景不平衡的问9[0081]步骤2：构建空洞多尺度幻影模块，使用线性卷积核生成幻影特征降低网络参数[0082]步骤2.1：对来自卷积网络上一层I通道之后进行一次批量标准化与ReLU激活函数的运算得到第一组幻之后进行一次批量标准化与ReLU激活函数的运算得到第二组幻H的卷积核逐层运算得到长度为I的一维的空间上下文描述信图的通道数分别为128,256,512,512；对第四个空洞多尺度幻影模块的输出特征图进行特[0111]步骤6.1：选择戴斯(Dice)指数、交并比(IoU)、精确度(Precision)、灵敏度(Sensitive)以及霍斯多夫距离(HD-95)五种指标作为测试集评价指标，与基线网络U-Net[0114]步骤7：使用步骤6中训练完成的深度卷积神经网络对病患多种模态MRI影像中的通道的切片组合，将切片组合按序输入到训练后的脑肿瘤MRI影像分割深度卷积神经网络[0119]本发明采用戴斯(Dice)指数、交并比(IoU)、精确度(Precision)、灵敏度[0124]性能评价指标通过对这四种关系的分析计算，得到客观[0129]Precision和Sensitivity反映了模型是否足以发现所有正样本像素点以及是否[0132]交并比(intersectionoverunion,IoU)是语义分割及目标检测中常用的性能评图7直观地展示了霍斯多夫距离的概念，真实值集合与预测值集合中分别选取了几个较为值产生较大的影响(如G点)致使评估结果对实际效果的判断产生较大偏差，将霍斯多夫距离最终的结果乘以95％得到HD-95以消除离群子集[0136]本实验在包含约30名病患脑部切片的测试数据集上进行，评价指标分别为戴斯(Dice)指数、交并比(IoU)、精确度(Prec(HD-95)。经多次测试，本发明中的分割模型在五种指标上分别达到了87.9％、80.1％、86.5％、91.3％和3.145个像素，性能优于其它经典分割网络模型，并且其参数量仅需[0145]4)第Ⅳ组实验包括第9‑12次实验，在本申请的脑肿瘤MRI影像分割深度卷积神经网的基础上依次去除四个方面的改进，或者说是在基线网络U‑Net的基础上结合使用任意关系，本申请提出的脑肿瘤MRI影像分割深度卷积神经网在Precision上有0.6个百分点的[0151]本发明中设计的脑肿瘤MRI影像分割深度卷积神经网将基线网络U‑Net的部分两[0155]表4给出了本发明分割方法在使用不同损失函数的情况下的网络性能，其中关于数的系数比为1:0.5。本发明分割方法在Focal‑Dice联合损失函数的作用下比单独使用其中任何一种损失函数效果都更佳，其数值在戴斯指数Dice与交并比IoU上表现最优，在[0157]表5给出了本发明分割方法与经典分割方法的实验对比结果。由总体实验数据可