CN113628220A - 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 - Google Patents
基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 Download PDFInfo
- Publication number
- CN113628220A CN113628220A CN202110764245.1A CN202110764245A CN113628220A CN 113628220 A CN113628220 A CN 113628220A CN 202110764245 A CN202110764245 A CN 202110764245A CN 113628220 A CN113628220 A CN 113628220A
- Authority
- CN
- China
- Prior art keywords
- brain tumor
- net network
- improved
- mri brain
- tumor image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 32
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 14
- 210000004556 brain Anatomy 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 206010018338 Glioma Diseases 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010003571 Astrocytoma Diseases 0.000 description 1
- 229910052688 Gadolinium Inorganic materials 0.000 description 1
- 208000032612 Glial tumor Diseases 0.000 description 1
- 201000010133 Oligodendroglioma Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000001490 effect on brain Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 208000005017 glioblastoma Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011503 in vivo imaging Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 208000011581 secondary neoplasm Diseases 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于图像处理技术领域,提供了一种基于改进的U‑Net网络对MRI脑肿瘤图像的分割方法及系统。该方法包括,获取待分割的MRI脑肿瘤图像,将其输入训练好的改进的U‑Net网络,得到标记有分割肿瘤的图像;所述改进的U‑Net网络包括:引入带有双注意力机制的残差模块替换U‑Net网络的卷积层,在U‑Net网络中引入带有注意力机制的扩张金字塔模块,并且在每层跳过连接后引入双注意力机制。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
脑瘤是人脑中不必要的、不受控制的细胞生长,根据其起源可分为原发性和继发性。原发性脑瘤从脑细胞开始,并扩散到大脑的其他部位。继发性或转移性肿瘤起源于身体的其他部位并扩散到大脑。目前对脑肿瘤分割的研究主要集中在胶质瘤上,根据世界卫生组织(WHO)的标准,胶质瘤被分为4个等级,包括I级星形细胞瘤、II级少突胶质瘤、III级非弹性胶质瘤和IV级多形性胶质瘤(GBM)。在临床实践中,神经肿瘤学反应评估(RANO)于2015年发布的标准被迅速用于确定胶质瘤等级。
医学影像技术,包括计算机断层扫描(CT)、单光子发射计算机断层扫描(SPECT)、正电子发射断层扫描(PET)、磁共振波谱(MRS)和磁共振成像(MRI)可以提供关于脑瘤的形状、大小、位置和代谢的宝贵信息,以支持诊断和治疗计划。然而,由于良好的软组织对比度和广泛的可用性,MRI被认为是一种标准技术。核磁共振是一种非侵入性的体内成像技术,它使用射频信号来激发目标组织,并在非常强大的磁场影响下产生其内部图像。在图像采集过程中,通过改变激发和重复时间可以产生MR成像序列,包括T1加权MRI(T1-w)、T2加权MRI(T2-w)、T1加权MRI与钆对比增强(T1-c)和流体衰减反转恢复(FLAIR)。
在临床实践中,脑肿瘤是由放射科医生根据多模式的脑部MR图像手动划定的,由于脑部图像的位置、大小、形态变化、与正常脑组织的强度相似度等方面的变化,以及受试者之间的解剖学差异,使得脑肿瘤的划定很耗时,而且存在主观差异性,缺乏重复性。另一方面,通过MR图像对脑肿瘤进行定量检查是另一个重要问题,因为它可以很好地了解大脑受肿瘤影响的情况,但其准确性会受到组织间低对比度、噪声和强度不均匀性的影响。因此,医生很难整合从多种模式的MR图像中获得的脑肿瘤的相关信息。从这个角度来看,在T1-w、T1-c、T2-w和FLAIR中对脑肿瘤进行准确的自动分割,对正常和异常脑组织的定量分析和评价起着至关重要的作用。
近年来,深度卷积神经网络发展迅速,在医学影像领域取得了许多重要研究成果。例如,Ronneberger等人在2015年提出的U-Net神经网络在很大程度上提高了图像分割的准确性,但它仍然存在一些问题。
综上,现有技术中存在以下技术问题:
传统U-Net网络随着网络深度的增加,可能会出现梯度消失或梯度爆炸的情况;
多尺度特征对于准确分割脑瘤是非常重要和必要的。但U-Net网络并不能处理MR图像的多尺度信息;
U-Net引入了跳过连接,以避免在解码过程中丢失大量的空间精细背景信息。但是跳过连接将编码器提取的图集直接连接到解码器的相应层,但这导致了低层次特征中大量的冗余信息;
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统,其能够获得精确度高的分割图像。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于改进的U-Net网络对MRI脑肿瘤图像的分割方法。
一种基于改进的U-Net网络对MRI脑肿瘤图像的分割方法,包括:
获取待分割的MRI脑肿瘤图像,将其输入训练好的改进的U-Net网络,得到标记有分割肿瘤的图像;
所述改进的U-Net网络包括:引入带有双注意力机制的残差模块替换U-Net网络的卷积层,在U-Net网络中引入带有注意力机制的扩张金字塔模块,并且在每层跳过连接后引入双注意力机制。
进一步的,所述残差模块提取T1-w、T1-c、T2-w和FLAIR四种模式的MRI脑肿瘤图像的第一特征,通过步长为2的卷积进行下采样操作来缩小特征图的大小。上述步骤重复四次。
进一步的,将MRI脑肿瘤图像的第一特征输入带有注意力机制的扩张金字塔模块,提取不同尺寸大小的第二特征。
进一步的,将不同尺寸大小的第二特征上采样后与编码器对应层的经过注意力机制进行特征加权的特征图拼接。上述步骤重复四次,特征图最终经过sigmoid函数得到恢复至待分割的MRI脑肿瘤图像大小的分割结果图。
进一步的,所述残差模块包括一个三维CBAM模块、两个3×3×3卷积层、两个归一化层和两个激活层。
进一步的,所述改进的U-Net网络的训练过程包括:
构建MRI脑肿瘤图像-带有分割标记的MRI脑肿瘤图像的训练集,每张MRI脑肿瘤图像对应一张带有分割标记的MRI脑肿瘤图像;
将MRI脑肿瘤图像输入改进的U-Net网络中进行训练,得到的分割图像与该MRI脑肿瘤图像对应的带有分割标记的MRI脑肿瘤图像进行对比;
若训练集的损失函数不再下将,则停止训练,得到训练好的改进的U-Net网络。
进一步的,所述损失函数为多类Dice损失函数与交叉熵损失函数的和。
本发明的第二个方面提供一种基于改进的U-Net网络对MRI脑肿瘤图像的分割系统。
一种基于改进的U-Net网络对MRI脑肿瘤图像的分割系统,包括:
分割模块,其被配置为:获取待分割的MRI脑肿瘤图像,将其输入训练好的改进的U-Net网络,得到标记有分割肿瘤的图像;
模型构建模块,其被配置为:所述改进的U-Net网络包括:引入带有双注意力机制的残差模块替换U-Net网络的卷积层,在U-Net网络中引入带有注意力机制的扩张金字塔模块,并且在每层跳过连接后引入双注意力机制。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明通过将原网络中的编码器和解码器的卷积层改进为一个新的带有三维CBAM双注意的残差模块不仅解决了网络梯度随层数增加而消失的问题,而且提高输入特征有用信息的利用率,抑制无用信息,提高了网络分割的性能。
本发明通过在网络中加入带有三维CBAM双注意的扩张特征金字塔模块,有效地获得不同大小的特征图,同时提取通道和空间的有用信息,提高肿瘤分割的准确性。
本发明通过在每层跳过连接层和上采样层的特征拼接之前加入三维CBAM双注意模块,解决了跳过连接将编码器提取的特征图直接连接到解码器的对应层,导致低层特征包含大量冗余信息的问题。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是改进的U-Net网络的架构;
图2是三维双注意力机制CBAM模块;
图3是带三维有注意力机制的残差模块;
图4带有三维注意力机制的扩张特征金字塔模块
图5是在BraTS 2018数据集上,利用本发明与其他四种方法对脑肿瘤的分割结果对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示,本实施例提供了一种基于改进的U-Net网络对MRI脑肿瘤图像的分割方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
尺寸为128×128×128的四种模态的脑肿瘤图像分别进入网络,首先通过两个3×3×3的卷积层,将特征数量增加到初始的滤波器的大小,大小为16;然后特征图进入带有注意力的残差模块进行特征提取,特征数量翻倍为32,再使用步长为2的卷积进行下采样操作;重复上述步骤四次后,特征数量为512的特征图进入带有注意力的扩张特征金字塔模块来对多尺寸的的图像进行特征提取;提取后的特征图利用3D反卷积进行上采样操作,上采样后的特征图与编码器对应层的经过注意力机制进行特征加权的特征图拼接,同样重复该操作四次。特征图最后通过sigmoid函数最终输出与输入大小相同的分割图。
获取待分割的MRI脑肿瘤图像,将其输入训练好的改进的U-Net网络,得到标记有分割肿瘤的图像;
所述改进的U-Net网络包括:引入带有双注意力机制的残差模块替换U-Net网络的卷积层,在U-Net网络中引入带有注意力机制的扩张金字塔模块,并且在每层跳过连接后引入双注意力机制。
本实施例的方案获得的分割图像更精确的分割出病灶的细节,有助于在图像分割等方面的应用。采用的具体实施方案如下:
1.构建基于注意力、残差块、扩张特征金字塔的U-Net网络对脑肿瘤进行分割;所述网络使用带三维注意力的残差块进行特征提取,在解码器部分将裁剪好的四种模式的三维脑瘤图像,尺寸为128×128×128,先通过两个3×3×3的卷积层输入,将特征数量增加到初始卷积核的大小。特征图进入改进的残差块进行特征提取后通过步长为2的卷积进行下采样操作,上述步骤重复四次。然后特征进入扩张特征金字塔模块进行不同尺寸大小的特征提取。特征图进入解码器部分经过上采样将图像恢复到原始大小。
2.带有注意力机制的残差模块是带有三维注意力CBAM的残差块,每个带有三维CBAM注意力的残差模块包括两个3×3×3卷积层,两个归一化层,两个激活层和一个CBAM模块。我们用实例归一化(IN)和带泄露整流函数(LR)函数分别替代流行的批量归一化(BN)和整流线性单元(ReLU)。同时,我们在每一层卷积的后面都加入了注意力模块。如图2-3所示。
3.带有注意力机制的扩张特征金字塔模块是带有三维注意力CBAM的扩张特征金字塔模块,由多个平行的扩张卷积层组成。每个扩展卷积层有512个卷积核,我们在每一层的扩张卷积层后加入三维CBAM模块。我们将多个扩张卷积层的输出结果相加,而不是拼接。多个平行的扩张卷积层提取不同尺寸大小的特征。如图4所示。
4.本实施例在跳过连接层的特征和上采样层的特征拼接之前加入三维CBAM注意力模块,解决浅层特征包含许多冗余信息的问题。
5.本实施例在原始U-Net网络的损失函数的基础上进一步改进,如下所示:
L=LMD+LC
其中,L表示该网络的总损失,LMD表示多类Dice损失函数,LC表示交叉熵损失函数。多类Dice损失函数可以在解决数据类不平衡的同时优化网络的Dice评价指标。多类Dice损失函数在数学上是可以推导的,可以用于网络的反向传播。交叉熵损失函数主要是为了解决网络梯度大、网络训练不稳定时的梯度爆炸问题。LMD和LC的定义分别如下:
其中,P是由实施例的方法得到的softmax概率。T表示单次编码的真值图。nc表示数据集中的脑瘤类型中的一种。i表示训练图像中的体素数目。
6.本实施例在BraTS 2018数据集上进行了实验。对BraTS 2018数据集中的脑肿瘤病灶进行分割,一个epoch迭代246次,总共训练400个epochs,当验证集的损失函数不再下降时停止训练。如果50个epochs后,验证集的损失不再下降,训练将提前停止。
为了验证本实施例对于MRI脑肿瘤图像分割的优势,对本实施例在BraTS2018数据集上进行了大量的实验,实验结果如图5所示。图5是本实施例在BraTS2018数据集上的分割结果。其中,第一至四列分别是:FLAIR模态图像,T1模态图像,T1C模态图像,T2模态图像。第五列是本实施例的分割结果,第六列是地面真实标签。
由图5可知,本实施例所建立的改进的U-Net网络的分割方法对于脑肿瘤的分割可以达到很好的效果,分割图像更接近于地面真实标签,能更精确地分割出细小的细节。这表明本发明建立的基于注意力机制、扩张特征金字塔和残差块的U-Net网络的分割方法是有效的,为得到准确的分割图像提供了更好的方法,具有一定的实用性。
实施例二
本实施例提供了一种基于改进的U-Net网络对MRI脑肿瘤图像的分割系统。
一种基于改进的U-Net网络对MRI脑肿瘤图像的分割系统,包括:
分割模块,其被配置为:获取待分割的MRI脑肿瘤图像,将其输入训练好的改进的U-Net网络,得到标记有分割肿瘤的图像;
模型构建模块,其被配置为:所述改进的U-Net网络包括:引入带有双注意力机制的残差模块替换U-Net网络的卷积层,在U-Net网络中引入带有注意力机制的扩张金字塔模块,并且在每层跳过连接后引入双注意力机制。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于改进的U-Net网络对MRI脑肿瘤图像的分割方法,其特征在于,包括:
获取待分割的MRI脑肿瘤图像,将其输入训练好的改进的U-Net网络,得到标记有分割肿瘤的图像;
所述改进的U-Net网络包括:引入带有双注意力机制的残差模块替换U-Net网络的卷积层,在U-Net网络中引入带有注意力机制的扩张金字塔模块,并且在每层跳过连接后引入双注意力机制。
2.根据权利要求1所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法,其特征在于,所述使用带有双注意力机制的残差模块提取四种模式的MRI脑肿瘤图像的第一特征,并通过步长为2的卷积进行下采样操作。
3.根据权利要求2所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法,其特征在于,将MRI脑肿瘤图像的第一特征输入带有注意力机制的扩张金字塔模块,提取不同尺寸大小的第二特征。
4.根据权利要求3所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法,其特征在于,将第二特征上采样后与编码器对应层的经过注意力机制进行特征加权的特征图拼接,拼接后的特征图利用反卷积恢复特征图的大小,得到恢复至待分割的MRI脑肿瘤图像的大小的图像。
5.根据权利要求1所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法,其特征在于,所述残差模块包括一个三维注意力CBAM模块、两个3×3×3卷积层、两个归一化层和两个激活层。
6.根据权利要求1所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法,其特征在于,所述改进的U-Net网络的训练过程包括:
构建MRI脑肿瘤图像-带有分割标记的MRI脑肿瘤图像的训练集,每张MRI脑肿瘤图像对应一张带有分割标记的MRI脑肿瘤图像;
将MRI脑肿瘤图像输入改进的U-Net网络中进行训练,得到的分割图像与该MRI脑肿瘤图像对应的带有分割标记的MRI脑肿瘤图像进行对比;
若训练集的损失函数不再下将,则停止训练,得到训练好的改进的U-Net网络。
7.根据权利要求6所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法,其特征在于,所述损失函数为多类Dice损失函数与交叉熵损失函数的和。
8.一种基于改进的U-Net网络对MRI脑肿瘤图像的分割系统,其特征在于,包括:
分割模块,其被配置为:获取待分割的MRI脑肿瘤图像,将其输入训练好的改进的U-Net网络,得到标记有分割肿瘤的图像;
模型构建模块,其被配置为:所述改进的U-Net网络包括:引入带有双注意力机制的残差模块替换U-Net网络的卷积层,在U-Net网络中引入带有注意力机制的扩张金字塔模块,并且在每层跳过连接后引入双注意力机制。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于改进的U-Net网络对MRI脑肿瘤图像的分割方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764245.1A CN113628220A (zh) | 2021-07-06 | 2021-07-06 | 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764245.1A CN113628220A (zh) | 2021-07-06 | 2021-07-06 | 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113628220A true CN113628220A (zh) | 2021-11-09 |
Family
ID=78379163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764245.1A Pending CN113628220A (zh) | 2021-07-06 | 2021-07-06 | 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628220A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937045A (zh) * | 2022-06-20 | 2022-08-23 | 四川大学华西医院 | 一种肝细胞癌病理图像分割系统 |
CN115393730A (zh) * | 2022-07-15 | 2022-11-25 | 南京林业大学 | 一种火星陨石坑精确识别方法、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190223725A1 (en) * | 2018-01-25 | 2019-07-25 | Siemens Healthcare Gmbh | Machine Learning-based Segmentation for Cardiac Medical Imaging |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
-
2021
- 2021-07-06 CN CN202110764245.1A patent/CN113628220A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190223725A1 (en) * | 2018-01-25 | 2019-07-25 | Siemens Healthcare Gmbh | Machine Learning-based Segmentation for Cardiac Medical Imaging |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
Non-Patent Citations (1)
Title |
---|
殷晓航等: "基于U-Net结构改进的医学影像分割技术综述", 《软件学报》, 27 July 2020 (2020-07-27), pages 1 - 32 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937045A (zh) * | 2022-06-20 | 2022-08-23 | 四川大学华西医院 | 一种肝细胞癌病理图像分割系统 |
CN115393730A (zh) * | 2022-07-15 | 2022-11-25 | 南京林业大学 | 一种火星陨石坑精确识别方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | ME‐Net: multi‐encoder net framework for brain tumor segmentation | |
JP7179757B2 (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
Wang et al. | Multimodal brain tumor image segmentation using WRN-PPNet | |
Cinar et al. | A hybrid DenseNet121-UNet model for brain tumor segmentation from MR Images | |
CN109493347A (zh) | 在图像中对稀疏分布的对象进行分割的方法和系统 | |
CN112767417B (zh) | 一种基于级联U-Net网络的多模态图像分割方法 | |
CN114581662B (zh) | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 | |
CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
CN113628220A (zh) | 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 | |
Yamanakkanavar et al. | Using a patch-wise m-net convolutional neural network for tissue segmentation in brain mri images | |
Hui et al. | A partitioning-stacking prediction fusion network based on an improved attention U-Net for stroke lesion segmentation | |
Fashandi et al. | An investigation of the effect of fat suppression and dimensionality on the accuracy of breast MRI segmentation using U‐nets | |
Fang et al. | Nonlocal convolutional block attention module VNet for gliomas automatic segmentation | |
CN110782427A (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
Saha et al. | Brain tumour segmentation with a muti-pathway ResNet based UNet | |
CN116188410A (zh) | 基于多模态Trans-CNN UNet的3D脑胶质瘤MRI病灶分割方法、系统、设备及介质 | |
Rewari | Automatic tumor segmentation from MRI scans | |
Molahasani Majdabadi et al. | Capsule GAN for prostate MRI super-resolution | |
Rosas González et al. | 3D automatic brain tumor segmentation using a multiscale input U-Net network | |
Wang et al. | A deep learning algorithm for fully automatic brain tumor segmentation | |
Yang et al. | Dual-path network for liver and tumor segmentation in CT images using Swin Transformer encoding approach | |
CN113744284B (zh) | 脑肿瘤图像区域分割方法、装置、神经网络及电子设备 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN113724266B (zh) | 胶质瘤分割方法及系统 | |
CN114299010A (zh) | 脑部肿瘤图像的分割方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |