1.融合条件随机与残差的三维u-net大脑肿瘤分割方法,其特征在于,包括如下步骤:
步骤1,对训练集进行三层级联网络架构训练,获得卷积神经网络的模型
步骤1-1,对flair、t1、t1c、t2四种模态磁共振图像进行预处理,磁共振图像数据为三维矩阵形式;
将原始磁共振图像进行z-core归一化,将数据转化到[0,1]之间,计算公式如下式所示:
其中x’为归一化处理之后的结果,x为输入的矩阵,mean为矩阵的均值,std为矩阵的标准差;
步骤1-2,对三维的原始磁共振图像做取图像块操作
三层网络架构的每一层的输入图像块的大小分别为16×144×144、16×96×96、16×64×64,将flair、t1、t1c、t2这四种模态按通道的形式堆叠起来,则输入的图像块大小为4×16×144×144、4×16×96×96、4×16×64×64;
第一层网络训练时,将大脑的图像根据边界取出,把背景的信息去除,在整个大脑图像中,分割出整个脑部肿瘤;第二层网络训练时,根据groundtruth的信息将肿瘤根据边界取出,在取出的肿瘤图像中训练,在肿瘤中分割出肿瘤核;第三层网络训练时,根据groundtruth的信息将肿瘤核根据边界取出,在肿瘤核的图像中训练,在肿瘤核中分割出增强型肿瘤;
步骤1-3,将图像块放入卷积神经网络训练,卷积神经网络为三维的u-net,训练若干次之后,获得卷积神经网络模型,其中卷积计算公式如下式所示:
s(i,j,k)=(i*k)(i,j,k)=∑m∑n∑pi(m,n,p)k(i-m,j-n,k-p)(2)
其中,i为对输入的三维图像,k为三维卷积核,s为卷积结果矩阵,i、j、k指定了结果矩阵的某具体三维位置,m、n、p指定了输入矩阵的某具体三维位置;
步骤2,通过卷积神经网络模型,对测试集进行测试,获得对应大脑肿瘤每一个分类的概率矩阵
步骤2-1,在每一层测试的时候,均获得对应轴向面、冠状面和矢状面三个维度的三个概率矩阵p1、p2、p3,根据下式得到这一层的概率矩阵pres:
步骤3,对概率矩阵进行后处理
步骤3-1,对概率矩阵使用条件随机场后处理,更新概率,获得最终的大脑肿瘤分割结果,分割结果图像数据以三维矩阵的形式保存。
2.根据权利要求1所述的融合条件随机与残差的三维u-net大脑肿瘤分割方法,其特征在于,所述步骤1-2中三层网络架构分别做二分类、二分类和三分类,这样能分步简化问题并且获得更好的效果。
3.根据权利要求1所述的融合条件随机与残差的三维u-net大脑肿瘤分割方法,其特征在于,所述步骤1-3中三维的u-net使用步长为2的卷积层代替了池化层,来做下采样的操作。
4.根据权利要求1或3所述的融合条件随机与残差的三维u-net大脑肿瘤分割方法,其特征在于,所述步骤1-3中三维的u-net中引入残差块到卷积层之中。
5.根据权利要求1所述的融合条件随机与残差的三维u-net大脑肿瘤分割方法,其特征在于,所述步骤1-3在三维磁共振图像的三个维度——轴向面、冠状面和矢状面分别训练模型。