CN117496516B - 一种脑瘤mri图像分割方法及系统 - Google Patents

一种脑瘤mri图像分割方法及系统 Download PDF

Info

Publication number
CN117496516B
CN117496516B CN202311786325.2A CN202311786325A CN117496516B CN 117496516 B CN117496516 B CN 117496516B CN 202311786325 A CN202311786325 A CN 202311786325A CN 117496516 B CN117496516 B CN 117496516B
Authority
CN
China
Prior art keywords
mri image
image segmentation
segmentation model
brain tumor
data set
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.)
Active
Application number
CN202311786325.2A
Other languages
English (en)
Other versions
CN117496516A (zh
Inventor
张磊
齐永兴
刘建伟
关振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202311786325.2A priority Critical patent/CN117496516B/zh
Publication of CN117496516A publication Critical patent/CN117496516A/zh
Application granted granted Critical
Publication of CN117496516B publication Critical patent/CN117496516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及图像检测技术领域，尤其涉及一种脑瘤MRI图像分割方法及系统，所述方法包括：S1、获取待分割的MRI图像；S2、将所述待分割的MRI图像输入至训练的MRI图像分割模型中，所述训练的MRI图像分割模型针对该待分割的MRI图像中的脑瘤区域和正常脑组织区域进行标识分割，得到分割结果；分割结果包括该MRI图像分割模型在该待分割的MRI图像中所标识出的脑瘤区域；预先将3D U‑Net中每一卷积层设置为大核卷积，并在3D U‑Net的编码器中的每个大核卷积后分别添加一个自注意力层，得到所述MRI图像分割模型；预先采用训练数据集对所述MRI图像分割模型进行训练，得到训练的MRI图像分割模型。

Description

一种脑瘤MRI图像分割方法及系统
技术领域
本发明涉及图像检测技术领域，尤其涉及一种脑瘤MRI图像分割方法及系统。
背景技术
脑胶质瘤作为一种常见的脑部恶性肿瘤，其恶性程度较高，并且难以根治。此外，脑胶质瘤病灶具有大小不一、位置高度变化以及异质性强等特点，使得疾病的诊断变得尤为困难。近年来，随着成像技术的发展，脑胶质瘤的常规检查主要包括计算机断层扫描（Computed Tomography， CT）和磁共振成像（Magnetic Resonance Imaging，MRI）。由于CT检查为断层扫描，因此可以漏掉较小的病灶，因此MRI检查是脑胶质更为重要的手段。但是，由于脑胶质瘤边界不清、周边水肿区域模糊，使得神经外科医生基于影像学诊断与鉴别面临着极大挑战。
尽管深度学习算法在脑瘤MRI图像分割方面取得了显著进展，但仍然面临着一些挑战。一方面，现有的卷积神经网络对MRI图像特征提取较难；另一方面，随着神经网络深度的增加，网络检测的效率降低。
发明内容
鉴于现有技术的上述缺点、不足，本发明提供一种脑瘤MRI图像分割方法及系统，其解决了现有的卷积神经网络对MRI图像特征提取较难；另一方面，随着神经网络深度的增加，网络检测的效率降低的技术问题。
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种脑瘤MRI图像分割方法，包括：
S1、获取待分割的MRI图像；
S2、将所述待分割的MRI图像输入至训练的MRI图像分割模型中，所述训练的MRI图像分割模型针对该待分割的MRI图像中的脑瘤区域和正常脑组织区域进行标识分割，得到分割结果；
其中，分割结果包括该MRI图像分割模型在该待分割的MRI图像中所标识出的脑瘤区域；
其中，预先将3D U-Net中每一卷积层设置为大核卷积，并在3D U-Net的编码器中的每个大核卷积后分别添加一个自注意力层，得到所述MRI图像分割模型；
预先采用训练数据集对所述MRI图像分割模型进行训练，得到训练的MRI图像分割模型。
优选地，
所述训练数据集是通过对预先获取脑胶质瘤数据集中的MRI图像进行预处理所得到的；
其中，所述脑胶质瘤数据集中每一MRI图像均具有标识该MRI图像中脑瘤区域的标签。
优选地，
其中，对预先获取脑胶质瘤数据集中的MRI图像进行预处理，具体包括：
借用Nipype库来组织和执行对脑胶质瘤数据集进行校正和去噪处理，得到校正和去噪处理后的脑胶质瘤数据集；
针对校正和去噪处理后的脑胶质瘤数据集，采用最近邻插值法，将校正和去噪处理后的脑胶质瘤数据集中的每个MRI图像重新采样为一个尺寸为128×128×128的MRI图像，得到训练数据集。
优选地，在S1之前还包括：
S0、采用训练数据集对MRI图像分割模型进行训练，得到训练的MRI图像分割模型。
优选地，
所述大核卷积包括：用于提取输入到MRI图像分割模型中MRI图像的局部空间信息的空间局部卷积、用于提取输入到MRI图像分割模型中MRI图像的全局空间信息的空间长距离卷积以及用于提取输入到MRI图像分割模型中MRI图像的通道信息的通道卷积。
优选地，
其中，MRI图像分割模型的编码器中的每个大核卷积后的自注意力层，用于针对该大核卷积的输出结果进行自注意力机制调整后输入到MRI图像分割模型的编码器中的下一个大核卷积。
优选地，所述S0具体包括：
将所述训练数据集中的MRI图像输入至所述MRI图像分割模型中进行训练，直至该MRI图像分割模型对应的预先设定的损失函数收敛，得到训练的MRI图像分割模型。
优选地，
在所述MRI图像分割模型根据所述训练数据集中的MRI图像进行训练的过程中，所述MRI图像分割模型的输入图像的batch_size为4；
其中，预先设定的损失函数为Dice系数。
优选地，
其中，在所述MRI图像分割模型训练的过程中采用AdamW优化算法，小化预先设定的损失函数，并更新所述MRI图像分割模型中的所有权重参数；
所述AdamW优化算法中的学习率为5e-5。
另一方面，本实施例还提供一种脑瘤MRI图像分割系统，包括：
至少一个图形处理器；以及
与所述图形处理器通信连接的至少一个存储器，其中，所述存储器存储有可被所述图形处理器执行的程序指令，所述图形处理器调用所述程序指令能够执行如上述所述的脑瘤MRI图像分割方法。
本发明的有益效果是：本发明的一种脑瘤MRI图像分割方法及系统，将所述待分割的MRI图像输入至训练的MRI图像分割模型中，所述训练的MRI图像分割模型针对该待分割的MRI图像中的脑瘤区域和正常脑组织区域进行标识分割，得到分割结果；由于，预先将3DU-Net中每一卷积层设置为大核卷积，并在3D U-Net的编码器中的每个大核卷积后分别添加一个自注意力层，得到所述MRI图像分割模型；预先采用训练数据集对所述MRI图像分割模型进行训练，得到训练的MRI图像分割模型，因此，最终所得到的分割结果提高了MRI图像中脑瘤区域的分割的精度。
附图说明
图1为本发明的一种脑瘤MRI图像分割方法流程图；
图2为本发明实施例中的MRI图像分割模型结构示意图；
图3为本发明实施例中的脑瘤MRI图像分割方法流程图。
具体实施方式
为了更好地解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
为了更好地理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
参见图1，本实施例提供一种脑瘤MRI图像分割方法，包括：
S1、获取待分割的MRI图像。
S2、将所述待分割的MRI图像输入至训练的MRI图像分割模型中，所述训练的MRI图像分割模型针对该待分割的MRI图像中的脑瘤区域和正常脑组织区域进行标识分割，得到分割结果；
其中，分割结果包括该MRI图像分割模型在该待分割的MRI图像中所标识出的脑瘤区域；
如图2所示，其中，预先将3D U-Net中每一卷积层设置为大核卷积，并在3D U-Net的编码器中的每个大核卷积后分别添加一个自注意力层，得到所述MRI图像分割模型；本实施例中，3D U-Net是U-Net架构的一个扩展，用于进行三维（3D）体积数据的语义分割任务。本实施例中的MRI图像分割模型，参见图2，本实施例中的大核卷积包括通道卷积、空间长距离卷积、空间局部卷积。
在编码器中的每个卷积层中引入自注意力层的目的是增强网络对输入特征的建模能力。自注意力机制（Self-Attention Mechanism）可以帮助网络在处理不同位置的特征时，动态地调整其关注程度，使得网络能够更加关注对当前任务重要的区域。这对于医学图像分割等任务非常重要，因为关注不同位置的特征对于准确的分割非常关键。
具体而言，自注意力层在编码器中的每个卷积层中的作用包括：自注意力机制允许网络在处理每个位置的特征时，动态地关注其他位置的信息。这有助于模型更好地理解局部和全局结构之间的关系。自注意力机制不仅关注位置信息，还关注特征之间的关系。这意味着对于给定位置的特征，网络可以调整其与其他特征的关联权重，以便更好地捕捉特征之间的相互影响。引入自注意力机制有助于网络捕获更广泛的上下文信息。这对于医学图像分割任务尤其重要，因为病变区域可能具有复杂的结构，需要更多的上下文信息来正确地进行分割。自注意力机制具有自适应性，可以动态地学习到不同位置和特征之间的权重，而不是固定的权重。这增加了模型对不同场景和数据分布的适应性。总体而言，通过在编码器中的每个卷积层引入自注意力层，模型可以更有效地利用输入数据中的信息，提高对局部和全局特征的感知能力，从而在医学图像分割等任务中取得更好的性能。
本实施例中，采用了大核卷积来提取MRI图像的特征，这样可以充分得取MRI图像中脑瘤区域的局部和全局特征信息，捕捉到了输入数据的局部特征和全局关联，提高了模型对输入数据的理解和建模能力，从而提高MRI图像中脑瘤区域分割的精度。此外，为了更好的筛选大核卷积所提取出的特征。本实施例中，采用了自注意力机制，其主要功能是在MRI进行脑瘤区域分割的过程中筛选重要信息，过滤不重要信息，这样可以更好的提取有效特征。
预先采用训练数据集对所述MRI图像分割模型进行训练，得到训练的MRI图像分割模型。
其中，所述训练数据集是通过对预先获取脑胶质瘤数据集中的MRI图像进行预处理所得到的；
其中，所述脑胶质瘤数据集中每一MRI图像均具有标识该MRI图像中脑瘤区域的标签。
在本实施例的实际应用中，对预先获取脑胶质瘤数据集中的MRI图像进行预处理，具体包括：
借用Nipype库来组织和执行对脑胶质瘤数据集进行校正和去噪处理，得到校正和去噪处理后的脑胶质瘤数据集；
本实施例中，Nipype是一个用于构建和执行神经影像处理流程的Python库。它可以用于组织和执行复杂的神经影像分析流程，包括校正和去噪等预处理步骤。
针对校正和去噪处理后的脑胶质瘤数据集，采用最近邻插值法，将校正和去噪处理后的脑胶质瘤数据集中的每个MRI图像重新采样为一个尺寸为128×128×128的MRI图像，得到训练数据集。
具体的，参见图3，在S1之前还包括：
S0、采用训练数据集对MRI图像分割模型进行训练，得到训练的MRI图像分割模型。
所述大核卷积包括：用于提取输入到MRI图像分割模型中MRI图像的局部空间信息的空间局部卷积、用于提取输入到MRI图像分割模型中MRI图像的全局空间信息的空间长距离卷积以及用于提取输入到MRI图像分割模型中MRI图像的通道信息的通道卷积。
其中，MRI图像分割模型的编码器中的每个大核卷积后的自注意力层，用于针对该大核卷积的输出结果进行自注意力机制调整后输入到MRI图像分割模型的编码器中的下一个大核卷积。
其中，所述S0具体包括：
将所述训练数据集中的MRI图像输入至所述MRI图像分割模型中进行训练，直至该MRI图像分割模型对应的预先设定的损失函数收敛，得到训练的MRI图像分割模型。
其中，在所述MRI图像分割模型根据所述训练数据集中的MRI图像进行训练的过程中，所述MRI图像分割模型的输入图像的batch_size为4；
batch_size 是指输入到模型的样本数。
其中，预先设定的损失函数为Dice系数。
Dice系数的计算公式为：
;
Intersection（交集）：表示模型预测的分割结果与真实标签的重叠部分。具体而言，它是预测分割结果中与真实标签同时存在的像素数。Union（并集）:表示模型预测的分割结果和真实标签的总体区域，即预测分割结果和真实标签中所有的像素数的总和。Prediction（预测分割结果的像素数）：表示模型预测的分割结果中的总像素数。GroundTruth（真实标签的像素数）：表示真实标签中的总像素数。最小化Dice损失函数将导致模型更好地学习产生与真实标签相似的分割结果。
在实际应用中，在所述MRI图像分割模型训练的过程中采用AdamW优化算法，小化预先设定的损失函数，并更新所述MRI图像分割模型中的所有权重参数。
所述AdamW优化算法中的学习率为5e-5。本实施例中AdamW优化算法中的学习率为5e-5，适用于大规模的深度神经网络，尤其是在处理大量参数的情况下。大型模型需要较小的学习率来避免权重更新过大，导致模型不稳定。过大的学习率可能导致模型参数在训练过程中跳动或发散，使得模型无法收敛到最优解。本实施例中的学习率有助于稳定训练过程，减小震荡的可能性。另外，本实施例中的学习率通常有助于模型更好地泛化到未见过的数据，提高模型在测试集上的性能。
另一方面，本实施例还提供一种脑瘤MRI图像分割系统，包括：
至少一个图形处理器；以及与所述图形处理器通信连接的至少一个存储器，其中，所述存储器存储有可被所述图形处理器执行的程序指令，所述图形处理器调用所述程序指令能够执行如实施例中所述的脑瘤MRI图像分割方法。
本实施例提供一种脑瘤MRI图像分割方法，实现对MRI图像脑瘤的有效分割。建立了以3D UNet主干的网络模型，在3D UNet中，采用了大核卷积来提取MRI图像的特征，这样可以充分取得MRI图像中脑瘤区域的局部和全局特征信息，捕捉到了输入数据的局部特征和全局关联，提高了模型对输入数据的理解和建模能力，从而提高MRI图像中脑瘤区域分割的精度。同时，在GPU上进行加速运算，进一步提升了执行脑瘤MRI图像分割方法的效率。实现了对MRI图像中脑瘤区域的有效分割。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连；可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”，可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”，可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”，可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。

Claims (7)

1.一种脑瘤MRI图像分割方法，其特征在于，包括：
S1、获取待分割的MRI图像；
S2、将所述待分割的MRI图像输入至训练的MRI图像分割模型中，所述训练的MRI图像分割模型针对该待分割的MRI图像中的脑瘤区域和正常脑组织区域进行标识分割，得到分割结果；
其中，分割结果包括该MRI图像分割模型在该待分割的MRI图像中所标识出的脑瘤区域；
其中，预先将3D U-Net中每一卷积层设置为大核卷积，并在3D U-Net的编码器中的每个大核卷积后分别添加一个自注意力层，得到所述MRI图像分割模型；
预先采用训练数据集对所述MRI图像分割模型进行训练，得到训练的MRI图像分割模型；
在S1之前还包括：
S0、采用训练数据集对MRI图像分割模型进行训练，得到训练的MRI图像分割模型；
所述大核卷积包括：用于提取输入到MRI图像分割模型中MRI图像的局部空间信息的空间局部卷积、用于提取输入到MRI图像分割模型中MRI图像的全局空间信息的空间长距离卷积以及用于提取输入到MRI图像分割模型中MRI图像的通道信息的通道卷积；
其中，MRI图像分割模型的编码器中的每个大核卷积后的自注意力层，用于针对该大核卷积的输出结果进行自注意力机制调整后输入到MRI图像分割模型的编码器中的下一个大核卷积。
2.根据权利要求1所述的脑瘤MRI图像分割方法，其特征在于，
所述训练数据集是通过对预先获取脑胶质瘤数据集中的MRI图像进行预处理所得到的；
其中，所述脑胶质瘤数据集中每一MRI图像均具有标识该MRI图像中脑瘤区域的标签。
3.根据权利要求2所述的脑瘤MRI图像分割方法，其特征在于，
其中，对预先获取脑胶质瘤数据集中的MRI图像进行预处理，具体包括：
借用Nipype库来组织和执行对脑胶质瘤数据集进行校正和去噪处理，得到校正和去噪处理后的脑胶质瘤数据集；
针对校正和去噪处理后的脑胶质瘤数据集，采用最近邻插值法，将校正和去噪处理后的脑胶质瘤数据集中的每个MRI图像重新采样为一个尺寸为128×128×128的MRI图像，得到训练数据集。
4.根据权利要求3所述的脑瘤MRI图像分割方法，其特征在于，所述S0具体包括：
将所述训练数据集中的MRI图像输入至所述MRI图像分割模型中进行训练，直至该MRI图像分割模型对应的预先设定的损失函数收敛，得到训练的MRI图像分割模型。
5.根据权利要求4所述的脑瘤MRI图像分割方法，其特征在于，
在所述MRI图像分割模型根据所述训练数据集中的MRI图像进行训练的过程中，所述MRI图像分割模型的输入图像的batch_size为4；
其中，预先设定的损失函数为Dice系数。
6.根据权利要求5所述的脑瘤MRI图像分割方法，其特征在于，
其中，在所述MRI图像分割模型训练的过程中采用AdamW优化算法，小化预先设定的损失函数，并更新所述MRI图像分割模型中的所有权重参数；
所述AdamW优化算法中的学习率为5e-5。
7.一种脑瘤MRI图像分割系统，其特征在于，包括：
至少一个图形处理器；以及
与所述图形处理器通信连接的至少一个存储器，其中，所述存储器存储有可被所述图形处理器执行的程序指令，所述图形处理器调用所述程序指令能够执行如权利要求1-6中任一所述的脑瘤MRI图像分割方法。
CN202311786325.2A 2023-12-25 2023-12-25 一种脑瘤mri图像分割方法及系统 Active CN117496516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311786325.2A CN117496516B (zh) 2023-12-25 2023-12-25 一种脑瘤mri图像分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311786325.2A CN117496516B (zh) 2023-12-25 2023-12-25 一种脑瘤mri图像分割方法及系统

Publications (2)

Publication Number Publication Date
CN117496516A CN117496516A (zh) 2024-02-02
CN117496516B true CN117496516B (zh) 2024-03-29

Family

ID=89678506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311786325.2A Active CN117496516B (zh) 2023-12-25 2023-12-25 一种脑瘤mri图像分割方法及系统

Country Status (1)

Country Link
CN (1) CN117496516B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909585A (zh) * 2017-11-14 2018-04-13 华南理工大学 一种血管内超声影像的血管中内膜分割方法
CN113724266A (zh) * 2021-07-26 2021-11-30 山东师范大学 胶质瘤分割方法及系统
CN114782350A (zh) * 2022-04-14 2022-07-22 浙江工业大学 一种基于注意力机制的多模态特征融合的mri脑瘤图像分割方法
CN115661165A (zh) * 2022-09-30 2023-01-31 中国科学院西安光学精密机械研究所 基于增强注意力的编解码网络胶质瘤融合分割系统及方法
CN116681894A (zh) * 2023-06-15 2023-09-01 西安电子科技大学 一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767418B (zh) * 2021-01-21 2022-10-14 大连理工大学 基于深度感知的镜子图像分割方法
CN114360504A (zh) * 2021-11-26 2022-04-15 腾讯科技（深圳）有限公司 音频处理方法、装置、设备、程序产品及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909585A (zh) * 2017-11-14 2018-04-13 华南理工大学 一种血管内超声影像的血管中内膜分割方法
CN113724266A (zh) * 2021-07-26 2021-11-30 山东师范大学 胶质瘤分割方法及系统
CN114782350A (zh) * 2022-04-14 2022-07-22 浙江工业大学 一种基于注意力机制的多模态特征融合的mri脑瘤图像分割方法
CN115661165A (zh) * 2022-09-30 2023-01-31 中国科学院西安光学精密机械研究所 基于增强注意力的编解码网络胶质瘤融合分割系统及方法
CN116681894A (zh) * 2023-06-15 2023-09-01 西安电子科技大学 一种结合大核卷积的相邻层特征融合Unet多器官分割方法、系统、设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automatic brain tumor segmentation from Multiparametric MRI based on cascaded 3D U-Net and 3D U-Net++;《Biomedical Signal Processing and Control》;20220930;第78卷(第4期);全文 *
基于多通路CNN的多模态MRI神经胶质瘤分割;朱婷;王瑜;肖洪兵;曹利红;;计算机应用与软件;20180415(第04期);全文 *
多模态MRI脑肿瘤图像分割方法研究进展;孙康康;《磁共振成像》;20231130;第14卷(第11期);全文 *

Also Published As

Publication number Publication date
CN117496516A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN113870258B (zh) 一种基于对抗学习的无标签胰腺影像自动分割系统
CN109166105B (zh) 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统
CN106682435B (zh) 一种多模型融合自动检测医学图像中病变的系统及方法
CN110689547B (zh) 一种基于三维ct影像的肺结节分割方法
CN110047082B (zh) 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统
CN112927255B (zh) 一种基于上下文注意力策略的三维肝脏影像语义分割方法
CN107563434B (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
Tan et al. Analysis of segmentation of lung parenchyma based on deep learning methods
JP2023540910A (ja) 病変検出のための共同訓練を伴う接続機械学習モデル
CN112215844A (zh) 基于ACU-Net的MRI多模态图像分割方法和系统
CN114066866A (zh) 一种基于深度学习的医学图像自动分割方法
Zeng et al. Liver segmentation in magnetic resonance imaging via mean shape fitting with fully convolutional neural networks
CN116797612B (zh) 基于弱监督深度活动轮廓模型的超声图像分割方法及装置
CN116228690A (zh) 基于pet-ct的胰腺癌与自身性免疫性胰腺炎自动辅助诊断方法
WO2023001089A1 (en) Generative adversarial network-based lossless image compression model for cross-sectional imaging
CN116503607A (zh) 一种基于深度学习的ct图像分割方法和系统
CN117496516B (zh) 一种脑瘤mri图像分割方法及系统
Zhuang et al. Semantic image synthesis for abdominal ct
Astaraki et al. Autopaint: A self-inpainting method for unsupervised anomaly detection
CN113344940A (zh) 一种基于深度学习的肝脏血管图像分割方法
CN116994113A (zh) 一种基于残差UNet和高效的多尺度注意力方法用于CT图像中肝脏和肿瘤的自动分割
CN110992383A (zh) 一种基于深度学习的ct图像肝脏动脉分割方法及系统
CN115222651A (zh) 一种基于改进Mask R-CNN的肺结节检测系统
CN115394432A (zh) 基于前列腺超声的辅助检查诊断系统、电子设备和存储介质
CN113470042A (zh) 肺部ct图像的支气管分割方法及相关系统和存储介质

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
GR01 Patent grant
GR01 Patent grant