本发明涉及医学图像分割,特别是涉及一种基于wnet模型的脑肿瘤分割方法及系统。
背景技术:
1、脑肿瘤是15岁以下儿童中第二常见的癌症形式,每年约有250,000例新的癌症病例。脑肿瘤可以通过各种mr序列进行成像,例如t1加权、增强的t1加权(t1c)、t2加权和流体衰减反转恢复(flair)图像。mr序列可以提供补充信息,有助于分析不同的健康大脑和肿瘤子结构。使用多序列mr扫描对脑肿瘤进行自动分割,可以提供准确且可重复的肿瘤测量,因此对于更好地预测生长速率、手术计划和治疗评估具有重要意义。然而,分割任务具有挑战性,因为:(1)脑肿瘤以及它们周围的水肿通常是弥散且对比度差的,具有触须状结构;(2)这些肿瘤的大小、形状和定位在受试者之间具有相当大的差异性;(3)mr扫描本质上受到部分容积效应、偏置场和其他伪影的影响。
2、近年来,u型网络(unets)在医学图像分割任务中取得了显着的成功,包括脑肿瘤分割。myronenko在3d unet中加入了一个变分自动编码器,以规范共享编码器,用于分割肿瘤子结构。chen等人使用多纤维扩张卷积来获取多尺度图像表示,从而提高了3d unet在脑肿瘤分割中的性能。xu等人使用共享特征提取器将多类分割分解到相应的分支中,并在3dunet中引入了一种级联注意力机制,旨在隐式提取子结构的潜在相关性,以指导多个分支的训练。尽管这些3d unet的性能与2d模型相比有所提高,但由于使用了3d卷积,它们会不可避免地产生较高的计算复杂度。
3、降低3d深度模型的计算复杂度的一种直观且广泛使用的策略,该策略是将每个标准的3d卷积分解为在空间域执行的2d卷积和在时域执行的1d卷积。然而,这种时空卷积分解会使中间输出翻倍,从而大大地增加了空间复杂度。不幸的是,高空间复杂度比高计算复杂度更有害。这是因为由于gpu内存有限,具有高空间复杂度的3d模型必须在模型大小和输入大小之间做出妥协,从而导致严重的性能限制。为了缓解这一问题,myronenko使他的模型能够在大输入的情况下进行训练,但也可以在具有32gb内存的gpu上进行妥协。zhou和wang在没有这样大内存gpu的情况下,使用非常小的补丁来训练他们的模型,这可能会因缺乏全局信息而导致性能受限。brügger等人提出了一种部分可逆的体系结构,消除了需要存储反向传播激活函数的需求,从而减少了gpu内存的消耗。然而,从后续层的输出中恢复每层的输出会导致训练时间增加50%,而性能没有明显的提高。
4、综上,现有的3d unet仍然受到3d卷积的高计算和空间复杂性的影响,导致由于gpu内存限制而产生的有限分割准确性的问题。
技术实现思路
1、本发明实施例提供了一种基于wnet模型的脑肿瘤分割方法及系统,解决了现有的3d unet仍然受到3d卷积的高计算和空间复杂性的影响,导致由于gpu内存限制而产生的有限分割准确性的问题。
2、本发明提供一种基于wnet模型的脑肿瘤分割方法,包括以下步骤:
3、获取脑肿瘤图像;
4、将所述脑肿瘤图像输入至wnet模型,得到分割掩膜;
5、通过分割掩膜对脑肿瘤图像中的肿瘤进行分割;
6、所述将脑肿瘤图像输入至wnet模型,得到分割掩膜,包括:
7、基于数据分解策略对脑肿瘤图像进行切分,得到低分辨率数据和厚切片数据;
8、基于编码器的低分辨率路径对低分辨率数据进行下采样,得到多个低空间特征图和第一特征图;
9、基于编码器的厚切片路径对厚切片数据进行下采样,得到多个厚切片特征图和第二特征图;
10、基于特征融合策略将第一特征图和第二特征图进行融合,得到融合特征图;
11、基于解码器将融合特征图进行上采样,并与多个低空间特征图和多个厚切片特征图进行融合,生成分割掩膜。
12、优选的,所述脑肿瘤图像包括多个mr序列,将多个mr序列输入至wnet模型,得到分割掩膜。
13、优选的,在将所述脑肿瘤mri图像输入至wnet模型之前,需对肿瘤图像的多个mr序列进行预处理,所述预处理包括:
14、将多个mri序列的像素值归一化为零均值和单位方差;
15、对归一化后的肿瘤mri序列进行剪裁;
16、对剪裁后的肿瘤mri序列进行数据增强。
17、优选的,通过下式对肿瘤mri序列进行切分:
18、
19、式中,代表3d卷积操作,α和β是缩放因子,t是切片数量,h是切片高度,w是切片宽度,x是肿瘤mri序列,x′是切分后的数据。
20、优选的,切分后的数据x′包括低分辨率数据和厚切片数据用
21、优选的,所述编码器包括五个残差块,所述解码器包括四个残差块。
22、优选的,所述残差块包括两个3×3×3卷积层和一个残差跳跃连接,残差跳跃连接将残差块的特征从输入直接映射到其输出。
23、优选的,通过下式将第一特征图和第二特征图进行融合:
24、
25、式中,表示三线性插值,表示逐元素求和,ffusion表示融合特征图,α和β分别是切片间和切片内的上采样因子,flr表示第一特征图,fts表示第二特征图。
26、优选的,通过adam算法对wnet网络模型进行优化,将多个mr序列输入至wnet模型,得到分割掩膜。
27、一种基于wnet模型的脑肿瘤分割系统,其特征在于,包括:
28、图像获取模块,用于获取脑肿瘤图像;
29、图像处理模块,用于将所述脑肿瘤图像输入至wnet模型,得到分割掩膜;
30、肿瘤分割模块,用于通过分割掩膜对脑肿瘤图像中的肿瘤进行分割;
31、所述图像处理模块包括:
32、图像切分模块,用于基于数据分解策略对脑肿瘤图像进行切分,得到低分辨率数据和厚切片数据;
33、第一下采样模块,用于基于编码器的低分辨率路径对低分辨率数据进行下采样,得到多个低空间特征图和第一特征图;
34、第二下采样模块,用于基于编码器的厚切片路径对厚切片数据进行下采样,得到多个厚切片特征图和第二特征图;
35、特征融合模块,用于基于特征融合策略将第一特征图和第二特征图进行融合,得到融合特征图;
36、上采样模块,用于基于解码器将融合特征图进行上采样,并与多个低空间特征图和多个厚切片特征图进行融合,生成分割掩膜。
37、与现有技术相比,本发明的有益效果是:
38、本发明通过数据切分策略将mr序列切分为低分辨率数据和厚切片数据,降低3du-net的空间复杂度,基于编码器的低分辨率路径和厚切片路径分别对低分辨率数据和厚切片数据进行下采样,得到第一特征图和第二特征图,通过特征融合策略将第一特征图和第二特征图进行融合,得到融合特征图。基于解码器将融合特征图进行上采样,生成分割掩膜。提高了分割精度,同时消耗了更少的计算资源。