技术特征：
1.基于多尺度蒸馏的脑肿瘤mri图像分割方法，其特征在于:采集多模态核磁共振图像，在上位机中对多模态核磁共振图像进行预处理，然后输入到多尺度蒸馏训练操作后的deeplabv3+网络，输出多模态mri图像的分割结果图；所述预处理包括对多模态mri图像x轴的图像矩阵依次人工加入黑色切片、z-score标准化处理、归一化处理、裁剪处理和图像切片化处理；所述分割结果图采用不同灰度进行区域描述，包括背景区域、坏疽区域、浮肿区域和增强肿瘤区域。2.根据权利要求1所述的基于多尺度蒸馏的脑肿瘤mri图像分割方法，其特征在于：所述人工加入黑色切片为所述多模态核磁共振图像的x轴前后分别插入3张和2张全0的图像矩阵；所述z-score标准化处理为：其中x表示待处理的图像矩阵，η代表均值，σ代表标准差，z代表处理后的图像矩阵；所述归一化处理为：z代表标准化处理后的图像矩阵，y代表归一化后的图像矩阵所述裁剪处理为：x
crop
＝x
old
[i1:i2,j1:j2]
ꢀꢀ
(3)其中，x
old
为归一化处理后的图像矩阵，x
crop
为裁剪后的图像矩阵，i1，i2为行方向的裁剪范围的始末值，j1，j2为列方向的裁剪范围的始末值；所述图像切片化处理为将所述裁剪处理后的图像进行切片处理，获得的每个切片图像高为h和宽为w。3.根据权利要求2所述的基于多尺度蒸馏的脑肿瘤mri图像分割方法，其特征在于：所述deeplabv3+网络的训练过程为：1)、将训练集分成3个数据子集c
n
(n＝1,2,3)，分别为坏疽子集c1、浮肿子集c2和增强肿瘤子集c3，每个数据子集c
n
由一组对(i
t
,s
t
)组成，其中i
t
表示大小为w
×
h的输入图像，s
t
表示相应的地面真相分割掩码，t＝0,1,2；2)、设置训练的超参数和损失函数并使用损失函数来计算模型预测值和真实值的差异；然后将将坏疽子集c1输入到deeplabv3+网络进行训练，g为deeplabv3+网络的编码器，f为deeplabv3+网络的解码器，获得可以识别分割背景区域与坏疽区域的模型g0·
f0；3)、将坏疽子集c1和浮肿子集c2作为输入数据集，对模型g0·
f0进行多尺度蒸馏训练操作和伪标签处理，获得可以识别分割背景区域、坏疽区域和浮肿区域的模型g1·
f1；4)、将浮肿子集c2和增强肿瘤子集c3别作为输入数据集，对模型g1·
f1进行多尺度蒸馏训练操作和伪标签处理，获得可以识别分割背景区域、坏疽区域、浮肿区域和增强肿瘤区域的模型g2·
f2；然后在测试集上测试验证模型g2·
f2，获得所述多尺度蒸馏训练操作后的deeplabv3+网络。
4.根据权利要求3所述的基于多尺度蒸馏的脑肿瘤mri图像分割方法，其特征在于：所述多尺度蒸馏训练操作具体为：其中，x为特征张量，h,w,c分别为张量的长、宽和通道数，h和ω分别为长和宽的索引，ω(x)为特征张量的合并切片；其中，f为特征提取器，t为分类类别，i为当前提取的特征层数，l为特征层总数，l
pod
为嵌入特征层之间的最小l2距离；ψ(x)＝[ψ1(x)||
…
||ψ
s
(x)]∈r
(h+w)
×
c
×
s
ꢀꢀ
(7)其中，ψ
s
(x)为蒸馏特征的最终嵌入特征，其中是嵌入张量x的一个子区域，大小为w/s
×
h/s。5.根据权利要求4所述的基于多尺度蒸馏的脑肿瘤mri图像分割方法，其特征在于：所述伪标签处理具体为：其中u表示像素(ω,h)的不确定性，τ
c
是特定于类别的阈值，ω,h为当前张量的长度和高度，c
′
为当前学习的类别，c
bg
为当前图片中的背景类；p
t
(ω,h,c
bg
)为步骤t时模型对先前类别的分割图，p
t
(ω,h,c
′
)为步骤t时模型对当前学习类别的分割图，为步骤t-1时模型对当前学习类别的分割图，为步骤t时模型对目前学习的总类别的分割图。6.根据权利要求5所述的基于多尺度蒸馏的脑肿瘤mri图像分割方法，其特征在于：所述损失函数为：其中λ是超参数；其中，v是可接受的旧类像素与此类像素总数的比率；
7.根据权利要求6所述的基于多尺度蒸馏的脑肿瘤mri图像分割方法，其特征在于：将brats2020比赛开源数据集中的多模态mri图像的x轴的图像矩阵进行所述预处理，然后将预处理获得的切片图像打乱后按8：2的比例划分为所述训练集和测试集。
技术总结
本发明提供了一种基于多尺度蒸馏的脑肿瘤MRI图像分割方法包括采集多模态核磁共振图像，在上位机中对多模态核磁共振图像进行预处理，然后输入到多尺度蒸馏训练操作后的DeepLabv3+网络，输出多模态MRI图像的分割结果图，分割结果图包括背景区域、坏疽区域、浮肿区域和增强肿瘤区域。本发明采用了脑胶质母细胞瘤患者的T1、T1c、T2和FLAIR四种模态的核磁共振图像进行肿瘤分割，增加了样本的多样性，采用了改进的蒸馏损失方法，通过保持长程和短程空间关系，能够更好的保留学习的知识，提高模型精度。模型精度。模型精度。
技术研发人员：赖小波 王磊 金伟 刘剑东 吴彦 徐小媚 王健庆 赵佳璐 梁钰
受保护的技术使用者：浙江中医药大学
技术研发日：2022.07.06
技术公布日：2022/10/3