本發(fā)明屬于計(jì)算機(jī)醫(yī)學(xué)圖像處理領(lǐng)域，更為具體地講，涉及一種基于堆疊自動(dòng)編碼網(wǎng)絡(luò)的多模態(tài)腦腫瘤圖像分割方法。

背景技術(shù)：

計(jì)算機(jī)輔助診斷(Computer-aided Diagnosis，CAD)是指通過影像學(xué)、醫(yī)學(xué)圖像處理技術(shù)以及其他可能的生理、生化手段，結(jié)合計(jì)算機(jī)的分析計(jì)算，輔助影像科醫(yī)師發(fā)現(xiàn)病灶，提高診斷的準(zhǔn)確率。隨著計(jì)算機(jī)技術(shù)以及人工神經(jīng)元網(wǎng)絡(luò)的快速發(fā)展，深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)圖像分析。

醫(yī)學(xué)圖像分析是計(jì)算機(jī)輔助診斷中重要的一步，是結(jié)合醫(yī)學(xué)影像、圖像處理、數(shù)學(xué)建模、人工智能等多種學(xué)科的交叉領(lǐng)域。Mha是一種三維醫(yī)學(xué)圖像，能夠準(zhǔn)確描述大腦的解刨結(jié)構(gòu)，主要應(yīng)用于醫(yī)學(xué)圖像分析領(lǐng)域，對腦腫瘤診斷輔助治療具有重要的意義。

醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像分析中的一個(gè)重要的研究方向，隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，如何實(shí)現(xiàn)更加準(zhǔn)確的圖像分割，從而為科學(xué)研究和臨床治療提供更加充分的科學(xué)依據(jù)，已經(jīng)成為當(dāng)前學(xué)術(shù)界以及醫(yī)學(xué)界的研究熱點(diǎn)。

深度學(xué)習(xí)在醫(yī)學(xué)圖像中的應(yīng)用是研究學(xué)習(xí)中的一個(gè)新的應(yīng)用領(lǐng)域，目的是能共建立、模擬人腦進(jìn)行分析學(xué)習(xí)。深度學(xué)習(xí)能夠模擬人腦的視覺機(jī)理從而自動(dòng)學(xué)習(xí)到數(shù)據(jù)各個(gè)層次的抽象特征反映數(shù)據(jù)的本質(zhì)特征。深度神經(jīng)網(wǎng)絡(luò)的研究從1986年Rumelhart提出自動(dòng)編碼器的概念，并將其用于高維復(fù)雜數(shù)據(jù)處，2006年，Hinton對原型自動(dòng)編碼器結(jié)構(gòu)進(jìn)行改進(jìn)，進(jìn)而產(chǎn)生了DAE。2007年，Benjio提出稀疏自動(dòng)編碼器的概念。2008年，Vincent提出降噪自動(dòng)編碼器。2009年，Benjio闡述利用堆疊自動(dòng)編碼器構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。堆疊降噪自編碼機(jī)網(wǎng)絡(luò)自此誕生，開始應(yīng)用于科學(xué)研究和工業(yè)界各個(gè)領(lǐng)域。醫(yī)學(xué)圖像分割結(jié)果能夠?yàn)榉派淇漆t(yī)學(xué)提供一個(gè)客觀的計(jì)算機(jī)診斷結(jié)果，作為第二參考，對于提高放射科醫(yī)學(xué)的診斷準(zhǔn)確、減少漏診起到了積極的作用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明是一種基于堆疊自動(dòng)編碼網(wǎng)絡(luò)的多模態(tài)腦腫瘤圖像分割方法。主要包括以下內(nèi)容：首先對圖像進(jìn)行預(yù)處理，然后利用多模態(tài)成像原理，實(shí)現(xiàn)對非正常腦組織區(qū)域的多分類。

為較好的實(shí)現(xiàn)上述分割目的，需要對圖像進(jìn)行預(yù)處理，主要包括以下內(nèi)容：將mha三維圖像進(jìn)行切片處理，將得到的二維圖像進(jìn)行預(yù)處理，提高病變區(qū)域和非病變區(qū)域的對比度，然后對圖像進(jìn)行歸一化處理。

技術(shù)原理如圖1所示，具體技術(shù)流程如下：

步驟一：將非正常腦組織成像數(shù)據(jù)mha進(jìn)行切片，得到二維bmp圖像。

步驟二：將得到的二維圖像進(jìn)行預(yù)處理，提高病變區(qū)域和非病變區(qū)域的對比度，然后對圖像進(jìn)行歸一化處理。

步驟三：分別對flair,T1,T2,T1c圖像中的點(diǎn)提取一個(gè)15×15的圖像塊，將圖像塊進(jìn)行堆疊成為一個(gè)4×15×15的矩陣。將每個(gè)圖像塊的灰度轉(zhuǎn)換為一個(gè)4×225維的向量，依次排列形成輸入矩陣；。

步驟四：同時(shí)設(shè)立四個(gè)SAE深度學(xué)習(xí)網(wǎng)絡(luò)。

步驟五：對每一個(gè)SAE深度學(xué)習(xí)網(wǎng)絡(luò)，設(shè)定SAE深度學(xué)習(xí)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)，將矩陣作為輸入，進(jìn)行預(yù)訓(xùn)練，獲取最初的網(wǎng)絡(luò)參數(shù)；

步驟六：在網(wǎng)絡(luò)的頂部增加一個(gè)輸出層，利用帶標(biāo)簽的數(shù)據(jù)對網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)得到最終的參數(shù)；

步驟七：使用得到的參數(shù)初始化一個(gè)新的分類網(wǎng)絡(luò)，對需要測試的圖像，為其提取同樣大小的圖像塊，并形成同樣的灰度矩陣，把這個(gè)灰度矩陣輸入到分類網(wǎng)絡(luò)中，得到最初的分類結(jié)果。

步驟八：分別從四個(gè)SAE網(wǎng)絡(luò)中獲取病變區(qū)域的分類，將結(jié)果映射到一個(gè)與原圖大小相同的空白圖像上面。

步驟九：使用連通分量的方法對圖像進(jìn)行后處理，限定分割圖像的連通數(shù)。

步驟十：使用開運(yùn)算和閉運(yùn)算對分割后的圖像邊緣進(jìn)行平滑處理。

附圖說明

圖1是本發(fā)明一種基于堆疊自動(dòng)編碼網(wǎng)絡(luò)的多模態(tài)腦腫瘤圖像分割方法的技術(shù)方案圖。

圖2是本發(fā)明的多模態(tài)的特征融合。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明的具體實(shí)施方式進(jìn)行描述，以便本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，可能淡化和忽略與本發(fā)明有關(guān)的已知功能和設(shè)計(jì)的內(nèi)容介紹。

本發(fā)明一種基于堆疊自動(dòng)編碼網(wǎng)絡(luò)的多模態(tài)腦腫瘤圖像分割方法具有以下特點(diǎn)：本發(fā)明使用堆疊自動(dòng)編碼器網(wǎng)絡(luò)實(shí)現(xiàn)對病人腦腫瘤區(qū)域的分割方法，對二維圖像進(jìn)行分塊提取，具體實(shí)現(xiàn)步驟如下：

分別從flair、T1、T2、T1c圖像上面提取15×15的圖像塊，然后將這些圖像塊堆疊成4×15×15的矩陣。然后得到一個(gè)4×225維的向量，一共得到N個(gè)二維向量。將這些二維向量按照從上到下的順序進(jìn)行排列，形成輸入矩陣X。。

本發(fā)明提出的堆疊自動(dòng)編碼器網(wǎng)絡(luò)實(shí)現(xiàn)對病人腦腫瘤區(qū)域的分割方法，其特征在于在四個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行病變區(qū)域的提取，具體實(shí)現(xiàn)步驟如下：

根據(jù)flair圖片的成像原理，從網(wǎng)絡(luò)1中提取水腫區(qū)域特征N₁，映射到一個(gè)空白圖像上得到圖像X，然后根據(jù)T1成像原理，從網(wǎng)絡(luò)2中提取腫瘤增強(qiáng)部分特征N₂，映射到X上面，得到X1；然后根據(jù)T1C成像原理，從網(wǎng)絡(luò)3中提取腫瘤部分特征N₃，映射到X1上面，得到X2；然后根據(jù)T2成像原理，從網(wǎng)絡(luò)4中提取壞死部分特征N₄，映射到X2上面，得到X3；X3就是最后的分割結(jié)果。

x₃＝{x|(x∈N₁)∪(x₁∈N₂)∪(x₂∈N₃)∪(x₃∈N₄)}

盡管上面對本發(fā)明說明性的具體實(shí)施方式進(jìn)行了描述，以便于本技術(shù)領(lǐng)的技術(shù)人員理解本發(fā)明，但應(yīng)該清楚，本發(fā)明不限于具體實(shí)施方式的范圍，對本技術(shù)領(lǐng)域的普通技術(shù)人員來講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。