一种基于UNet++的低级别胶质瘤图像分割方法与流程

技术特征：
1.一种基于unet 的低级别胶质瘤图像分割方法，其特征在于：所述分割方法的步骤包括：s1、获取低级别胶质瘤mri图像和已标注的对应分割掩膜图像；s2、构建低级别胶质瘤图像的训练集、验证集和测试集；划分后的训练集包括分割掩膜以及经过灰度归一化和数据增强处理后的低级别胶质瘤图像数据；s3、构建unet 卷积神经网络模型，所述unet 卷积神经网络模型包括编码器结构、解码器结构和密集跳跃连接结构；s4、利用低级别胶质瘤图像作为训练集训练已构建的unet 卷积神经网络，生成网络模型，并利用低级别胶质瘤图像的测试集图像数据对模型效果进行评估；s5、利用训练好的unet 网络模型对待测的低级别胶瘤样本图像进行分割并取得分割结果。2.根据权利要求1所述的一种基于unet 的低级别胶质瘤图像分割方法，其特征在于：所述步骤s2的训练集、验证集和测试集的构建过程为：对数据集里的图像进行灰度归一化，将训练集、验证集和测试集按照约7:2:1的比例进行划分，将其中2828张已经标记好的低级别胶质瘤的mri图像和对应的分割掩膜作为训练集样本，并对原始训练数据分别做水平和垂直镜像变换以及旋转变换来扩充训练集。3.根据权利要求1所述的一种基于unet 的低级别胶质瘤图像分割方法，其特征在于：所述步骤s3里所述的unet 卷积神经网络模型分为5层结构，自上到下，将编码器特征与下一层编码器上采样特征进行融合；融合后的模块输出继续与下一层相应模块上采样特征再融合，直至循环到模块下一层没有对应的上采样模块为止；所述网络模型一共采用15个节点，每个节点使用2个尺寸为3*3步长为1的卷积核，每个卷积层后接leaky-rule和一个批规范化层。

技术总结
本发明提供一种基于UNet 的低级别胶质瘤图像分割方法，属于医学图像处理领域。本发明分割方法的步骤包括：首先使用低级别胶质瘤MRI图像和标记好的分割掩膜构建网络的训练集，然后根据构建的训练集对UNet 卷积神经网络进行训练，最后用训练好的UNet 卷积神经网络对实际肿瘤数据进行分割。该方法通过使用密集跳跃连接来融合深层特征和浅层特征，网络分割结果准确率高，抗噪性好，并且缩短了训练时间。与基于U-Net的分割模型进行对比，在低级别胶质瘤MRI图像分割问题上的相似度效果有了很大的提升。能够辅助医师快速，精确地识别肿瘤病灶组织并给出诊断建议。病灶组织并给出诊断建议。病灶组织并给出诊断建议。


技术研发人员：许丹 王军伟
受保护的技术使用者：东北大学秦皇岛分校
技术研发日：2020.08.27
技术公布日：2022/3/18