技术特征：
1.基于改进的fpn卷积神经网络脑肿瘤图像分割方法，其步骤如下：s1、对三维脑肿瘤mri图像数据进行灰度归一化预处理；s2、将预处理图像输入u-net模型进行反卷积和通道维度连接整合；第一层卷积：进行两次3
×
3的16通道的卷积，获得一个像素512
×
512
×
16的初步有效特征层，再进行2
×
2最大池化，获得一个像素256
×
256
×
16的特征层；第二层卷积：进行两次3
×
3的32通道的卷积，获得一个像素256
×
256
×
32的初步有效特征层，再进行2
×
2最大池化，获得一个像素128
×
128
×
32的特征层；第三层卷积：进行三次3
×
3的64通道的卷积，获得一个像素128
×
128
×
64的初步有效特征层，再进行2
×
2最大池化，获得一个像素64
×
64
×
64的特征层；第四层卷积：进行三次3
×
3的128通道的卷积，获得一个像素64
×
64
×
128的初步有效特征层，再进行2
×
2最大池化，获得一个像素32
×
32
×
128的特征层；第五层卷积：进行三次3
×
3的256通道的卷积，获得一个像素32
×
32
×
256的初步有效特征层；s3、对u-net模型的处理数据通过fpn模型进行二次线性插值和对应元素的相加进行积分；u-net模型中每个卷积级保留从最后一个卷积层输出的特征映射，并且获得c1、c2、c3、c4四个尺度的原始特征映射以重构fpn模型；fpn模型通过线性插值对深层特征图进行上采样，通过水平卷积降维对相邻的浅层特征进行处理，将两个特征的输出相加和求和，同时采用3
×
3卷积核来平滑融合后的特征图，获得了分别对应于c1、c2、c3、c4的p1、p2、p3、p4四个尺度特征层，且具有相同的分辨率；s4、将p1、p2、p3、p4四个抽象特征恢复并解码为原始图像的大小，得到最终分割结果。2.根据权利要求1所述的基于改进的fpn卷积神经网络脑肿瘤图像分割方法，其特征在于：还包括有s5、使用损失函数平衡u-net和fpn组合模型集中于负样本学习而影响正样本的分割效果。3.根据权利要求2所述的基于改进的fpn卷积神经网络脑肿瘤图像分割方法，其特征在于：损失函数公式为其中，a表示实际分割像素的集合；b表示标签中的实际分割像素集合；ξ表示一个参数集。4.根据权利要求1所述的基于改进的fpn卷积神经网络脑肿瘤图像分割方法，其特征在于：还包括有s6、使用相应的评价指标对分割结果进行评估。5.根据权利要求4所述的基于改进的fpn卷积神经网络脑肿瘤图像分割方法，其特征在于：评价指标包括有dice相似系数dsc、jaccard指数jac和准确性acc，其中jaccard指数也称为iou指数。6.根据权利要求5所述的基于改进的fpn卷积神经网络脑肿瘤图像分割方法，其特征在于：dice相似系数dsc定义为
其中，a表示实际分割像素集，b表示标签中的实际分割像素集合。7.根据权利要求5所述的基于改进的fpn卷积神经网络脑肿瘤图像分割方法，其特征在于：jaccard指数/iou指数定义为其中，a表示实际分割像素集，b表示标签中的实际分割像素集合。8.根据权利要求5所述的基于改进的fpn卷积神经网络脑肿瘤图像分割方法，其特征在于：准确性acc定义为其中，tp、tn、fp和fn分别对应于真阳性、真阴性、假阳性和假阴性。9.根据权利要求1所述的基于改进的fpn卷积神经网络脑肿瘤图像分割方法，其特征在于：s2中预处理图像的大小为256
×
256
×
3。
技术总结
本发明公开了基于改进的FPN卷积神经网络脑肿瘤图像分割方法，其步骤为，对三维脑肿瘤MRI图像数据进行灰度归一化预处理；将预处理图像输入U-Net模型进行反卷积和通道维度连接整合；对U-Net模型的处理数据通过FPN模型进行二次线性插值和对应元素的相加进行积分；S4、将P1、P2、P3、P4四个抽象特征恢复并解码为原始图像的大小，得到最终分割结果，可适用于不同大小的肿瘤，实现脑肿瘤边缘区域的精细分割。实现脑肿瘤边缘区域的精细分割。实现脑肿瘤边缘区域的精细分割。
技术研发人员：孙海涛 王宁 刘襄平 李吉友
受保护的技术使用者：中山市中医院
技术研发日：2022.10.25
技术公布日：2023/2/3