一种基于深度学习的MRI图像分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112508973A(43)申请公布日2021.03.16(21)申请号202011118130.7G06N3/04(2006.01)(22)申请日2020.10.19G06N3/08(2006.01)(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人魏展张桦周文晖黄鸿飞施江玮杨思学(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人朱月芬(51)Int.Cl.G06T7/12(2017.01)G06T7/155(2017.01)G06T5/30(2006.01)G06T5/00(2006.01)权利要求书1页说明书4页附图5页(54)发明名称一种基于深度学习的MRI图像分割方法(57)摘要本发明公开一种基于深度学习的MRI图像分割方法。本发明先利用图像数据增强、提取技术，对数据进行扩容，利用形态学的方法，得到前列腺边缘的标签。然后在U‑Net网络基础上加入IBN模块，把maxpool层改成strideconv层，采用2D和3D卷积结合的方法，作为编码部分；在解码部分中，采用两个解码器，其中一个解码器进行前列腺整体的分割预测，另一个解码器进行单独的前列腺边缘的预测。本发明采用了IN和BN相结合的策略，使得模型泛化能力得到加强。同时，把原本下采样的maxpool层改成strideconv层，使得模型保留图像细节信息的能力得到加强，使得分割的结果更加精细。采用2D和3D卷积相结合的做法进一步提高模型的精度。CN112508973ACN112508973A权利要求书1/1页1.一种基于深度学习的MRI图像分割方法，其特征在于包括以下步骤：步骤1、获取相关领域的MRI前列腺原始图像数据集，并对获得的原始图像数据集进行清洗；所述的MRI前列腺原始图像数据集包括图像以及图像对应的前列腺分割标签；步骤2、利用图像增强技术对清洗后的图像数据集进行增强处理，增加样本的数量并丰富数据内容；步骤3、利用形态学方法，对增强后的图像数据集中每张图像对应的前列腺分割标签进行腐蚀，然后用原标签减去腐蚀后的标签，从而获得图像对应的前列腺边缘的标签；步骤4、将经过步骤4处理后的图像数据集进行随机划分，分成等量的5份数据集；步骤5、搭建图像分割模型，在图像分割模型的编码网络中加入IBN模块，然后结合2D、3D卷积层，在下采样层中把maxpool层改成strideconv层；然后在编码网络中连接两个解码器，其中一个解码器用于输出整个前列腺的分割结果，另一个解码器用于输出前列腺边缘的分割结果；步骤6、根据步骤4得到的5份数据集，对图像分割模型进行五折训练，并把每折训练得到的最优模型进行融合。2.根据权利要求1所述的一种基于深度学习的MRI图像分割方法，其特征在于步骤2具体包括以下步骤：步骤2.1、数据形态增强：对清洗后的原始图像数据集及其标注，进行水平镜像的翻转；步骤2.2、数据空间域增强：在设定程度范围内随机改变亮度对比度以及gamma值，在保证图像物理意义的同时，扩增图像数据数量；步骤2.3、对图像数据进行随机裁剪，即利用图像数据集中图像的前列腺分割标签获取前列腺的中心；然后让裁剪的中心在前列腺中心随机抖动一定范围进行64*176*176的图像裁剪。3.根据权利要求2所述的一种基于深度学习的MRI图像分割方法，其特征在于步骤5具体包括以下步骤：步骤5.1、图像分割模型的编码网络，该图像分割模型在U‑Net模型的基础上加入IBN模块；然后把U‑Net模型中的原下采样阶段的maxpool层改成strideconv层，有利于模型保留图像的细节信息，对于提升分割结果的精细程度有很好的效果；步骤5.2、解码阶段：采用双解码器结构，其中一个解码器用于输出整个前列腺的分割结果，另一个解码器用于输出前列腺边缘的分割结果，以帮助网络加强分割边缘的学习。2CN112508973A说明书1/4页一种基于深度学习的MRI图像分割方法技术领域[0001]本发明属于计算机视觉领域，涉及到MRI图像的处理、图像语义分割、利用深度学习进行图像分割，提供一种基于深度学习的MRI图像分割方法。背景技术[0002]在过去几年里，随着人工智能的兴起，计算机视觉的应用逐渐普遍起来。其中，图像分割是计算机视觉领域中非常重要的一个方向，而图像的语义分割更是图像分割的基石性技术，在自动驾驶系统、地址图像研究、现代化工业、医疗图像等等领域中都有重要的应用。例如，在前列腺癌、前列腺炎、前列腺肥大等前列腺疾病的诊断中，在三维MR图像上进行准确的前列腺分割对于医生对病人病情的诊断、掌握和提出有针对性的治疗方案方面具有重要意义。当前，人为地对前列腺区域进行分割非常的耗时，而且对放