基于3DU-Net的轻量级脑肿瘤分割系统

本发明属于计算机视觉与医疗影像结合的医学图像分割领域，涉及一种将深度学习方法应用于脑肿瘤图像分割的系统。

背景技术：

1、脑肿瘤是发病率和致死率极高的肿瘤，患者的生命健康受到严重危害。在中国，每年脑肿瘤发病人数约为8万，死亡人数却高达6万，占世界脑肿瘤死亡总人数的27％。因此，通过医疗诊断精准定位肿瘤位置、及时制定治疗计划对患者的生命健康具有重大意义。核磁共振成像(magnetic resonance imaging，mri)技术能够清晰地展现颅内组织的细节信息，被广泛应用于临床诊断。然而人工分割费时费力，主要依靠医生的个人经验，而不同医生之间的专业水平存在差距，可能导致分割结果出入较大；且临床上图像数据量较大，专家数量较少，人工分割效率低下。因此，开发精准高效的全自动脑肿瘤分割方法十分必要。

2、随着深度学习的快速发展，卷积神经网络(convolutional neural networks，cnn)已广泛应用于图像处理、自然语言处理、计算机视觉和语音处理等领域。而在医学图像分割领域，cnn往往因为训练集图像尺寸较大、数量较小，导致分割效果不理想。u-net的提出极大地改善了此问题，它在cnn的基础上增加了多个上下文连接的通道和上采样模块，实现了低层特征和高层特征的融合，也更利于大尺寸图像的分割。

3、虽然基于深度学习的脑肿瘤分割研究已经取得了一定的进展，但仍旧存在以下问题：(1)基于3d u-net的分割系统通常参数量、计算量较大，需要更大的gpu显存、更长的训练时间；(2)在脑部mri图像中，肿瘤区域通常只占大脑体积的一小部分，而核心肿瘤和增生肿瘤又只占完整肿瘤体积的一小部分，这会增加训练时的难度，要求网络对小目标的识别更为精准。

技术实现思路

1、为克服上述现有技术中的缺陷，本发明提供一种基于3d u-net的轻量级脑肿瘤分割系统。本发明的技术方案如下：

2、一种基于3d u-net的轻量级脑肿瘤分割系统，包括存储器、处理器以及在处理器运行的计算机程序。所述处理器执行所述程序时用于实现下面所述的方法步骤：

3、第一步，脑部mri图像预处理：将brats19数据集中的训练集和验证集进行大小以及格式的调整，并采用图像增强技术扩充训练集；

4、第二步，构建和训练轻量级脑肿瘤分割网络：以3d u-net为基础架构进行修改，使用多纤类残差模块代替传统卷积模块，形成网络基本结构，并使用改进的损失函数对网络进行训练：

5、(1)构建轻量级脑肿瘤分割网络：以3d u-net作为基础网络，用多纤类残差模块代替传统卷积模块，网络分为下采样和上采样两部分，其中下采样部分共4层，每层都由一个步长为2、核尺寸为3的卷积、两个步长为1的多纤类残差模块组成；上采样部分为4层，每层由一个三线性插值和一个步长为1的多纤类残差模块组成，在每次上采样后，都会将得到的特征图像与对应下采样的特征图像相拼接；网络最后的softmax层将输出图像转化为与输入图像尺寸相同的分割结果；

6、(2)使用改进的损失函数对网络进行训练：在网络每一轮训练时，采用改进的tversky损失函数来对网络进行权重更新，其中g0i表示类别l在第i个像素点的标准值，p0i表示对应的预测概率，p0ig1i表示假阴性，p1ig0i表示假阳性，α和β用来调节假阳性与假阴性之间的平衡，ωl为其中eps＝1×10-4；

7、第三步，验证网络并选出最佳的网络模型：将每一轮训练的得到的网络模型在验证集上验证，选出分割效果最佳的网络模型作为最终的模型。

8、本发明的特点及有益效果为：

9、使用多纤类残差模块代替传统卷积模块形成网络架构，并使用加权的tversky损失函数用于网络的学习训练。与现有分割网络相比，本发明能够取得更高的分割精度和更小的参数量、计算量，同时降低训练网络所需的时间和设备要求。

技术特征：

1.一种基于3d u-net的轻量级脑肿瘤分割系统，包括存储器、处理器以及在处理器运行的计算机程序。所述处理器执行所述程序时用于实现下面所述的方法步骤：

技术总结
本发明公开了一种基于3D U‑Net的轻量级脑肿瘤分割系统，涉及计算机视觉与医疗影像结合的医学图像分割领域，用于解决现有脑肿瘤分割系统复杂度高、精准度差的问题，包括以下步骤：第一步，脑部MRI图像预处理；第二步，构建和训练轻量级脑肿瘤分割网络：使用多纤类残差模块代替传统卷积模块构建网络，并使用改进的损失函数对网络进行训练；第三步，验证网络并选出最佳的网络模型。本发明网络复杂度低，运行速度快，能精准分割脑肿瘤边缘及小目标区域。

技术研发人员：魏欣,李锵,关欣
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/1/16