本發(fā)明涉及醫(yī)學(xué)圖像分析技術(shù)領(lǐng)域，具體涉及一種基于全卷積網(wǎng)絡(luò)的mri圖像腦腫瘤自動(dòng)分割方法。

背景技術(shù)：

腦膠質(zhì)瘤是一種嚴(yán)重危及患者生命的常見腦腫瘤，而腦腫瘤最常用的治療方案就是手術(shù)切除。核磁共振成像(magneticresonanceimaging，mri)以圖像方式顯示大腦內(nèi)部信息，是醫(yī)學(xué)工作者分析顱內(nèi)腫瘤的有力工具。mri圖像腦腫瘤分割對于早期診斷、治療計(jì)劃和治療評估起著至關(guān)重要的作用。但是，早期手工分割標(biāo)記方式工作繁瑣且主觀性強(qiáng)，腦膠質(zhì)瘤與正常組織的邊界不清晰，并且mri圖像本身受到噪聲、偏移場效應(yīng)和部分容積效應(yīng)等的影響。因此設(shè)計(jì)自動(dòng)分割算法是解決手工標(biāo)記不足的最佳方式，這是分割技術(shù)的發(fā)展方向之一。

基于mri圖像的腦腫瘤傳統(tǒng)分割方法大致可以分為三類，即基于邊界、基于區(qū)域以及兩者相結(jié)合的方法。其中，基于邊界的方法就是在圖像中標(biāo)識目標(biāo)的邊界，基于區(qū)域的方法就是在圖像中標(biāo)識目標(biāo)所占有的區(qū)域，兩者相結(jié)合的方法就是將基于邊界和基于區(qū)域的方法結(jié)合起來，取兩者的優(yōu)勢而避免其劣勢的方法。但是，本發(fā)明的發(fā)明人經(jīng)過研究發(fā)現(xiàn)，在這些傳統(tǒng)方法中，通過人的主觀意識去理解圖像，從而提取特定的特征信息，如灰度信息、紋理信息及對稱信息等實(shí)現(xiàn)腦腫瘤的分割，結(jié)果只能針對特定的圖像有比較好的分割結(jié)果，因而分割結(jié)果過于粗糙且分割效率較低。

隨著人工智能尤其深度學(xué)習(xí)的出現(xiàn)，為腦腫瘤的自動(dòng)分割提供了新的方向，傳統(tǒng)的腦腫瘤分割方法逐步被基于機(jī)器學(xué)習(xí)的方式取代。其中，卷積神經(jīng)網(wǎng)絡(luò)作為有監(jiān)督學(xué)習(xí)的代表，能夠直接從數(shù)據(jù)中學(xué)習(xí)特征表示，通過逐層特征提取，將圖像從簡單的邊緣、角點(diǎn)等底層特征，逐層組合形成更加抽象的高層次特征，在圖像識別領(lǐng)域取得了顯著效果，已被廣泛地應(yīng)用于醫(yī)學(xué)圖像處理。當(dāng)前基于機(jī)器學(xué)習(xí)的分割方法是采用圖像塊分類，但是這種方法需要以滑動(dòng)窗口的方式對每一個(gè)像素進(jìn)行預(yù)測分類，導(dǎo)致分割效率低而不能應(yīng)用于實(shí)際臨床醫(yī)學(xué)中。因此本發(fā)明的發(fā)明人提供了一種更高效、準(zhǔn)確的基于全卷積網(wǎng)絡(luò)的mri圖像腦腫瘤自動(dòng)分割方法。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有傳統(tǒng)分割方法要通過人的主觀意識去理解圖像，從而提取特定的特征信息，如灰度信息、紋理信息及對稱信息等實(shí)現(xiàn)腦腫瘤的分割，結(jié)果只能針對特定圖像有比較好的分割結(jié)果，因而分割結(jié)果過于粗糙且分割效率較低的技術(shù)問題，本發(fā)明提供一種基于全卷積網(wǎng)絡(luò)的mri圖像腦腫瘤自動(dòng)分割方法，該分割方法能夠廣泛應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域，特別是腦腫瘤分割方面。

為了解決上述技術(shù)問題，本發(fā)明采用了如下的技術(shù)方案：

一種基于全卷積網(wǎng)絡(luò)的mri圖像腦腫瘤自動(dòng)分割方法，包括以下步驟：

s1、腦腫瘤多模態(tài)mri圖像預(yù)處理，其包括：

s11、對t1和t1c兩個(gè)模態(tài)mri圖像進(jìn)行場偏移校正操作；

s12、提取flair、t1、t1c和t2四個(gè)模態(tài)的mri圖像切片，在每一個(gè)mri圖像切片中，將大于1％最高灰度設(shè)置為0.99倍的最高灰度值，將小于1％最低灰度設(shè)置為0.99倍的最低灰度值；

s13、對每一個(gè)mri圖像切片的灰度值進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化和線性歸一化操作；

s14、獲得歸一化后的mri圖像同一層的腫瘤切片，按照flair、t1、t1c和t2的順序組合成四通道圖像，其中作為訓(xùn)練集、驗(yàn)證集和測試集的比例為10:1:1；

s2、全卷積網(wǎng)絡(luò)模型構(gòu)造，其包括：

s21、采用遷移學(xué)習(xí)方法，獲取已經(jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型的中間特征層作為全卷積網(wǎng)絡(luò)模型的基礎(chǔ)特征層，所述基礎(chǔ)特征層包括四個(gè)卷積層組和池化層；

s22、在所述基礎(chǔ)特征層之后，添加三個(gè)與全連接層等同的卷積層構(gòu)成中間層，使得中間層輸出與語義分割類別數(shù)量相對應(yīng)的粗糙分割圖；

s23、在中間層之后再添加反卷積層進(jìn)行插值得到分割結(jié)果1，分割結(jié)果1再與基礎(chǔ)特征層中倒數(shù)第二個(gè)池化層的輸出特征圖進(jìn)行融合，融合后進(jìn)行反卷積層插值得到分割結(jié)果2，依次類推，再分別與基礎(chǔ)特征層中倒數(shù)第三個(gè)和第四個(gè)池化層進(jìn)行融合和反卷積層插值，最終得到分割結(jié)果3和分割結(jié)果4，所述分割結(jié)果4是與語義分割類別數(shù)量相對應(yīng)，且與原圖像大小一樣的預(yù)測分?jǐn)?shù)矩陣，分割結(jié)果4上的每個(gè)像素所分的類是其在預(yù)測分?jǐn)?shù)矩陣中最大值所對應(yīng)的索引，形成了最終的分割結(jié)果圖；

s3、網(wǎng)絡(luò)訓(xùn)練與參數(shù)調(diào)優(yōu)：將mri圖像腦腫瘤的分割轉(zhuǎn)換為像素級語義標(biāo)注問題，通過高斯隨機(jī)變量初始化步驟s22中添加的三個(gè)卷積層的權(quán)值，利用預(yù)處理后的四通道圖像作為訓(xùn)練樣本并將其輸入到構(gòu)造的全卷積網(wǎng)絡(luò)模型中，再采用隨機(jī)梯度下降法作為優(yōu)化方法有監(jiān)督地最小化損失函數(shù)，從而對全卷積網(wǎng)絡(luò)模型包括的所有卷積層的權(quán)值進(jìn)行調(diào)優(yōu)訓(xùn)練；

s4、腦腫瘤圖像自動(dòng)分割：將歸一化后的待分割腦腫瘤四通道圖像輸入到具有已優(yōu)化網(wǎng)絡(luò)權(quán)值的全卷積網(wǎng)絡(luò)模型中，得到與語義分割類別數(shù)量相對應(yīng)的預(yù)測分?jǐn)?shù)矩陣，根據(jù)這些矩陣值，分割出腦腫瘤及內(nèi)部結(jié)構(gòu)圖像。

進(jìn)一步，所述步驟s11中，采用n4itk方法進(jìn)行偏移場校正操作。

進(jìn)一步，所述步驟s13中，對每一個(gè)mri圖像切片的灰度值采用下式進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化操作：

其中，x(i,j)對應(yīng)切片x的第i行j列的灰度值，和xs分別是切片x的均值和方差，x′(i,j)是x(i,j)標(biāo)準(zhǔn)化的灰度；

線性轉(zhuǎn)化每個(gè)切片的灰度值在[0，1]的范圍內(nèi)，并采用下式進(jìn)行線性歸一化操作：

其中，x′(i,j)是標(biāo)準(zhǔn)化后的灰度，x'max和x'min分別是切片x標(biāo)準(zhǔn)化后的最大值和最小值，是線性歸一化后的灰度。

進(jìn)一步，所述步驟s21中，構(gòu)造全卷積網(wǎng)絡(luò)模型的基礎(chǔ)特征層，是獲取已經(jīng)訓(xùn)練好的16層vgg模型的前四個(gè)卷積層組和池化層，所述采用遷移學(xué)習(xí)方法是將已經(jīng)訓(xùn)練好的權(quán)值作為全卷積網(wǎng)絡(luò)模型的基礎(chǔ)特征層的初始權(quán)值。

進(jìn)一步，所述步驟s21中，在四個(gè)卷積組構(gòu)建的基礎(chǔ)特征層中，每組卷積層的個(gè)數(shù)分別為2、2、3、3，每組卷積層的卷積核個(gè)數(shù)分別為64、128、256、512，每個(gè)卷積層采用3×3的小卷積濾波器進(jìn)行卷積，且每個(gè)卷積層組后跟隨采樣窗口為2×2，步長為2的池化層。

進(jìn)一步，其中一個(gè)所述卷積核所對應(yīng)的輸出特征圖ok采用下式進(jìn)行計(jì)算：

其中，bk是第k個(gè)卷積核所對應(yīng)的偏置項(xiàng)，c是輸入數(shù)據(jù)的通道數(shù)，wki是第k個(gè)卷積核的第i通道權(quán)值矩陣，是卷積操作，x是輸入數(shù)據(jù)。

進(jìn)一步，所述基礎(chǔ)特征層還包括整流線性單元，所述整流線性單元用于將卷積核所對應(yīng)的輸出特征圖ok中的每個(gè)值進(jìn)行非線性轉(zhuǎn)化，所述整流線性單元定義如下：

f(x)＝max(0,x)

其中，f(x)表示整流線性單元函數(shù)，x是一個(gè)輸入值。

進(jìn)一步，所述步驟s22中，添加的三個(gè)卷積層卷積核個(gè)數(shù)分別為4096、4096、5，卷積核大小都為1×1，步長也都為1。

進(jìn)一步，所述步驟s23中，反卷積層插值采用雙線性插值方法。

進(jìn)一步，所述步驟s3中，優(yōu)化方法采用交叉熵分類損失函數(shù)，定義如下：

其中，n為一個(gè)批量的大小，l'是真實(shí)數(shù)據(jù)，l是softmax函數(shù)輸出的預(yù)測向量。

與現(xiàn)有傳統(tǒng)分割方法相比，本發(fā)明提供的基于全卷積網(wǎng)絡(luò)的mri圖像腦腫瘤自動(dòng)分割方法，包括腦腫瘤多模態(tài)mri圖像預(yù)處理、全卷積網(wǎng)絡(luò)模型構(gòu)造、網(wǎng)絡(luò)訓(xùn)練與參數(shù)調(diào)優(yōu)和腦腫瘤圖像自動(dòng)分割步驟，具體為將mri圖像腦腫瘤的分割轉(zhuǎn)換為像素級語義標(biāo)注問題，對mri不同模態(tài)強(qiáng)調(diào)的差異信息，將flair、t1、t1c和t2四個(gè)模態(tài)的二維整幅切片合成四通道輸入圖像，利用已經(jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)的卷積層組和池化層作為全卷積網(wǎng)絡(luò)的基礎(chǔ)特征層，使得中間層輸出與語義分割類別數(shù)量相對應(yīng)的粗糙分割圖，并在中間層的后面添加反卷積網(wǎng)絡(luò)，用于對粗糙分割圖進(jìn)行插值得到與原圖像大小一樣的分割圖。因而，本發(fā)明具有如下優(yōu)點(diǎn)：1、與基于圖像塊分類的分割方法相比，本發(fā)明不僅不需要人工的干預(yù)，而且還不需要考慮圖像塊大小的設(shè)置，是一個(gè)自動(dòng)的、簡單的腦腫瘤分割方法，不僅提高了分割精度，還大大提高了分割的效率；2、本發(fā)明以整個(gè)切片作為輸入圖像，更能考慮分類像素的外觀和空間一致性，得到更高的分割精確度；3、本發(fā)明利用了遷移學(xué)習(xí)方法，獲取已經(jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)的中間特征層權(quán)值作為全卷積網(wǎng)絡(luò)基礎(chǔ)特征層的初始權(quán)值，縮短了訓(xùn)練時(shí)間，節(jié)約了數(shù)據(jù)標(biāo)注成本，在小樣本情況下仍有較好的學(xué)習(xí)性能。

附圖說明

圖1是本發(fā)明提供的基于全卷積網(wǎng)絡(luò)的mri圖像腦腫瘤自動(dòng)分割方法基本流程示意圖。

圖2是本發(fā)明提供的全卷積網(wǎng)絡(luò)訓(xùn)練及測試方法流程示意圖。

圖3是本發(fā)明提供的全卷積網(wǎng)絡(luò)模型示意圖。

圖4是本發(fā)明提供的雙線性插值方法示意圖。

具體實(shí)施方式

為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合具體圖示，進(jìn)一步闡述本發(fā)明。

請參考圖1所示，本發(fā)明提供一種基于全卷積網(wǎng)絡(luò)的mri圖像腦腫瘤自動(dòng)分割方法，包括以下步驟：

s1、腦腫瘤多模態(tài)mri圖像預(yù)處理，其包括：

s11、對t1和t1c兩個(gè)模態(tài)mri圖像進(jìn)行場偏移校正操作，具體可以采用n4itk方法進(jìn)行偏移場校正操作；

s12、提取flair、t1、t1c和t2四個(gè)模態(tài)的mri圖像切片，在每一個(gè)mri圖像切片中，將大于1％最高灰度設(shè)置為0.99倍的最高灰度值，將小于1％最低灰度設(shè)置為0.99倍的最低灰度值(說明：1％最高灰度的值為0.99倍的最高灰度值，見百度百科：灰度色彩模式)；

s13、對每一個(gè)mri圖像切片的灰度值進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化和線性歸一化操作，其中：對每一個(gè)mri圖像切片的灰度值采用下式進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化操作：

其中，x(i,j)對應(yīng)切片x的第i行j列的灰度值，和xs分別是切片x的均值和方差，x′(i,j)是x(i,j)標(biāo)準(zhǔn)化的灰度；

線性轉(zhuǎn)化每個(gè)切片的灰度值在[0，1]的范圍內(nèi)，并采用下式進(jìn)行線性歸一化操作：

其中，x′(i,j)是標(biāo)準(zhǔn)化后的灰度，x'max和x'min分別是切片x標(biāo)準(zhǔn)化后的最大值和最小值，是線性歸一化后的灰度。

s14、獲得歸一化后的mri圖像同一層的腫瘤切片，按照flair、t1、t1c和t2的順序組合成四通道圖像，由此完成腦腫瘤多模態(tài)mri圖像預(yù)處理；其中作為訓(xùn)練集、驗(yàn)證集和測試集的比例為10:1:1，具體本申請的發(fā)明人獲取了12000個(gè)病人的四通道圖像，其中訓(xùn)練集、驗(yàn)證集、測試集的具體數(shù)量分別是10000、1000、1000。

s2、全卷積網(wǎng)絡(luò)模型構(gòu)造，其包括：

s21、采用遷移學(xué)習(xí)方法，獲取已經(jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型的中間特征層作為全卷積網(wǎng)絡(luò)模型的基礎(chǔ)特征層。

作為具體實(shí)施例，所述步驟s21中，構(gòu)造全卷積網(wǎng)絡(luò)模型的基礎(chǔ)特征層，是獲取已經(jīng)訓(xùn)練好的16層vgg模型的前四個(gè)卷積層組和池化層，所述采用遷移學(xué)習(xí)方法是將已訓(xùn)練好的權(quán)值作為全卷積網(wǎng)絡(luò)模型的基礎(chǔ)特征層的初始權(quán)值。

作為具體實(shí)施方式，請參考圖3所示，本發(fā)明提供的是具有4個(gè)卷積組的網(wǎng)絡(luò)模型，所述步驟s21中，基礎(chǔ)特征層包括第1～4個(gè)卷積層組，即基礎(chǔ)特征層包括有卷積層組1、卷積層組2、卷積層組3和卷積層組4，每個(gè)卷積層組后都有一個(gè)池化層，每組卷積層的個(gè)數(shù)分別為2、2、3、3，卷積核的個(gè)數(shù)分別為64、128、256、512，每個(gè)卷積層采用3×3的小卷積濾波器進(jìn)行卷積，且所有池化層的采樣窗口為2×2，步長為2。其中，第一個(gè)卷積層正向傳播的信號為原始圖像的簡單邊緣和角點(diǎn)等底層信息，后面的卷積層和池化層正向傳播的信號為一些較抽象的組合信息，如圖像的局部紋理信息等。由于所有卷積層的卷積核都采用3×3的小核，由此可以構(gòu)造更深的網(wǎng)絡(luò)，而連接權(quán)值不會驟增。其中，一個(gè)所述卷積核所對應(yīng)的輸出特征圖ok采用下式進(jìn)行計(jì)算：

其中，bk是第k個(gè)卷積核所對應(yīng)的偏置項(xiàng)，c是輸入數(shù)據(jù)的通道數(shù)，wki是第k個(gè)卷積核的第i通道權(quán)值矩陣，是卷積操作，x是輸入數(shù)據(jù)。

作為具體實(shí)施例，為了提高網(wǎng)絡(luò)的非線性表示能力，所述基礎(chǔ)特征層還包括整流線性單元(rectifierlinearunits，relu)，所述整流線性單元relu作為全卷積網(wǎng)絡(luò)的激活函數(shù)，用于將卷積核所對應(yīng)的輸出特征圖ok中的每個(gè)值進(jìn)行非線性轉(zhuǎn)化，所述整流線性單元relu定義如下：

f(x)＝max(0,x)

其中，f(x)表示整流線性單元函數(shù)，x是一個(gè)輸入值；由此可知，當(dāng)輸入值比0大時(shí)，則函數(shù)值就是輸入值本身，反之則為0。

同時(shí)，由于卷積層卷積之后的輸出特征圖可能包含大量的冗余信息，因此，在卷積輸出層之后可以采用最大值池化(最大池化層，maxpool)操作消除可能的冗余特征，從而使得輸出特征圖尺寸變小而且對圖像的很小平移和變形具有不變性。

s22、在獲取的所述基礎(chǔ)特征層之后，添加三個(gè)與全連接層等同的卷積層構(gòu)成中間層，三個(gè)卷積層即是圖3中所示的卷積層5、卷積層6和卷積層7，最后一個(gè)卷積層是保證中間層輸出與語義分割類別數(shù)量相對應(yīng)的粗糙分割圖，由中間層輸出的特征圖的大小已經(jīng)比原始圖像小了很多，所述卷積層5、卷積層6和卷積層7的卷積核個(gè)數(shù)分別為4096、4096、5，卷積核大小都為1×1，步長都為1。

s23、請參考圖3所示，在添加的兩個(gè)卷積層之后再添加反卷積層進(jìn)行插值得到分割結(jié)果1，分割結(jié)果1中基本可以標(biāo)注出目標(biāo)物體大概準(zhǔn)確的位置；分割結(jié)果1再與基礎(chǔ)特征層中倒數(shù)第二個(gè)池化層(池化層3)的局部信息進(jìn)行融合，融合后進(jìn)行反卷積層插值得到分割結(jié)果2；分割結(jié)果2再與基礎(chǔ)特征層中倒數(shù)第三個(gè)池化層(池化層2)的局部信息進(jìn)行融合，融合后進(jìn)行反卷積層插值得到分割結(jié)果3；分割結(jié)果3再與基礎(chǔ)特征層中倒數(shù)第四個(gè)池化層(池化層1)的局部信息進(jìn)行融合，融合后進(jìn)行反卷積層插值得到分割結(jié)果4；此時(shí)的分割結(jié)果4，相對前面的分割結(jié)果3、分割結(jié)果2和分割結(jié)果1，其分割結(jié)果更精細(xì)、更準(zhǔn)確，且與原圖像的大小相同。

其中，所述分割結(jié)果4融合了中間層最后輸出的全局信息與基礎(chǔ)特征層的倒數(shù)第二個(gè)、第三個(gè)和第四個(gè)池化層的局部信息，所述的局部信息是池化層的輸出特征圖(輸出矩陣)，在與局部信息融合前，需要通過類似最后卷積層7作用獲得與語義分割類別數(shù)量相對應(yīng)的局部信息，所述的融合是將輸出特征圖矩陣對應(yīng)相加，全卷積網(wǎng)絡(luò)最后的輸出結(jié)果即分割結(jié)果4是與語義分割類別數(shù)量相對應(yīng)，且與原圖像大小一樣的預(yù)測分?jǐn)?shù)矩陣(scorematrixs)，其中每個(gè)像素所分的類是其在預(yù)測矩陣中最大值所對應(yīng)的索引，從而最終獲得了更精細(xì)和更準(zhǔn)確的分割結(jié)果圖。

作為具體實(shí)施例，所述步驟s23中，反卷積層插值采用雙線性插值方法，請參考圖4所示，該方法包括以下步驟：

第一步：在x方向的線性插值，在q12、q22中插入點(diǎn)r2，在q11、q21中插入點(diǎn)r1，其計(jì)算公式為：

第二步：在y方向的線性插值，通過第一步計(jì)算出的r1和r2在y方向上插值計(jì)算出p點(diǎn)，其計(jì)算公式為：

s3、網(wǎng)絡(luò)訓(xùn)練與參數(shù)調(diào)優(yōu)：請參考圖2所示，將mri圖像腦腫瘤的分割轉(zhuǎn)換為像素級語義標(biāo)注問題，通過高斯隨機(jī)變量初始化步驟s22中添加的三個(gè)卷積層(卷積層5、卷積層6和卷積層7)的權(quán)值，利用預(yù)處理后的四通道圖像作為訓(xùn)練樣本并將其輸送到構(gòu)造的全卷積網(wǎng)絡(luò)模型中，再采用隨機(jī)梯度下降法作為優(yōu)化方法有監(jiān)督地最小化損失函數(shù)，從而對全卷積網(wǎng)絡(luò)模型包括的所有卷積層的權(quán)值進(jìn)行調(diào)優(yōu)訓(xùn)練。作為一種實(shí)施例，所述優(yōu)化方法采用交叉熵分類損失函數(shù)，定義如下：

其中，n為一個(gè)批量的大小，l'是真實(shí)數(shù)據(jù)，l是softmax函數(shù)輸出的預(yù)測向量。

s4、腦腫瘤圖像自動(dòng)分割：請參考圖2所示，選擇出分割性能指標(biāo)較好的模型，將預(yù)處理后的待分割腦腫瘤四通道圖像輸入到具有已優(yōu)化網(wǎng)絡(luò)權(quán)值的全卷積網(wǎng)絡(luò)模型中，得到與語義分割類別數(shù)量相對應(yīng)的預(yù)測分?jǐn)?shù)矩陣，根據(jù)這些矩陣值，分割出腦腫瘤圖像及內(nèi)部結(jié)構(gòu)圖像。

為了更好地理解本發(fā)明提供的基于全卷積網(wǎng)絡(luò)的mri圖像腦腫瘤自動(dòng)分割方法，以下將結(jié)合具體實(shí)施例對本發(fā)明的技術(shù)方案進(jìn)行說明。

請參考圖2和圖3所示，以flair、t1、t1c和t2四個(gè)模態(tài)的mri腦腫瘤圖像為例，具體包括如下步驟：

1、在全卷積網(wǎng)絡(luò)的輸入層，以預(yù)處理后的多模態(tài)mri圖像完整切片作為240×240×4輸入圖像(其中4為輸入的多模態(tài)圖像種類：flair、t1、t1c和t2，根據(jù)實(shí)際需要4可以進(jìn)行相應(yīng)調(diào)整)；

2、把四通道圖像輸入到全卷積網(wǎng)絡(luò)的第1～4個(gè)卷積層組，每組卷積層個(gè)數(shù)分別為2、2、3、3，卷積核個(gè)數(shù)分別為64、128、256、512，每個(gè)卷積層采用3×3的小卷積濾波器進(jìn)行卷積，并且除了第一個(gè)卷積層組的第一個(gè)卷積層的pad參數(shù)設(shè)置為100外，所有卷積層pad參數(shù)和步長都設(shè)置為1，保持圖像大小不變。每個(gè)卷積層組后緊跟著，采樣窗口為2×2，步長為2的池化層對每個(gè)卷積層組的特征輸出塊進(jìn)行最大值池化，分別得到438×438×64，219×219×128，110×110×256，55×55×512的特征圖；

3、將第4個(gè)池化層的輸出特征圖像塊輸入到卷積層5、卷積層6和卷積層7后，輸出與語義分割類別數(shù)量相對應(yīng)的粗糙分割圖，該粗糙分割圖相對于原圖像小了很多；

4、將粗糙分割圖輸入到反卷積層進(jìn)行插值，并與第三個(gè)池化層3輸出特征圖進(jìn)行融合，得到的分割圖再進(jìn)行反卷積層插值；然后再將插值后的分割圖與第二個(gè)池化層2輸出特征圖進(jìn)行融合，得到的分割圖再進(jìn)行反卷積層插值；最后再將插值后的分割圖與第一個(gè)池化層1輸出特征圖進(jìn)行融合，得到的分割圖在反卷積層進(jìn)行插值，得到最終的240×240×5分割圖；對于每個(gè)像素點(diǎn)，取所在輸出特征圖最大值所對應(yīng)的類作為最終的分類結(jié)果，即每個(gè)像素所分的類是其在5個(gè)預(yù)測分?jǐn)?shù)矩陣中具有最大值所對應(yīng)的索引(從0開始)，這樣形成了最終的分割結(jié)果圖，該分割結(jié)果大多數(shù)值為0，表示背景或者正常組織，非零則被認(rèn)為是腫瘤區(qū)域；

5、利用softmaxwithloss層結(jié)合真值標(biāo)簽圖像，對卷積層輸出的240×240的預(yù)測分?jǐn)?shù)矩陣進(jìn)行損失值計(jì)算，通過反向傳播和隨機(jī)梯度下降法有監(jiān)督地更新網(wǎng)絡(luò)權(quán)值，最小化損失函數(shù)；

6、在測試模型階段，執(zhí)行前述步驟1～4的過程，得到腫瘤分割結(jié)果，將分割結(jié)果與真值標(biāo)簽圖像進(jìn)行比對，從而計(jì)算出分割性能指標(biāo)；最終分割結(jié)果包含水腫結(jié)構(gòu)、增強(qiáng)腫瘤結(jié)構(gòu)、非增強(qiáng)腫瘤結(jié)構(gòu)和壞死的腫瘤結(jié)構(gòu)共4個(gè)類別的結(jié)果；所述圖像分割性能指標(biāo)包括dice相似系數(shù)(dicesimilaritycoefficient，dsc)、陽性預(yù)測值(positivepredictivevalue，ppv)、靈敏度(sensitivity)等指標(biāo)；

7、在腦腫瘤圖像自動(dòng)分割階段，將預(yù)處理后的待分割腦腫瘤四通道圖像輸入到具有已優(yōu)化網(wǎng)絡(luò)權(quán)值的全卷積網(wǎng)絡(luò)模型中，得到腦腫瘤分割結(jié)果，為了區(qū)分腦腫瘤內(nèi)部結(jié)構(gòu)，用紅色表示壞死結(jié)構(gòu)，用綠色表示水腫結(jié)構(gòu)，用黃色表示非增強(qiáng)腫瘤結(jié)構(gòu)，藍(lán)色表示增強(qiáng)腫瘤結(jié)構(gòu)。

與現(xiàn)有傳統(tǒng)分割方法相比，本發(fā)明提供的基于全卷積網(wǎng)絡(luò)的mri圖像腦腫瘤自動(dòng)分割方法，包括腦腫瘤多模態(tài)mri圖像預(yù)處理、全卷積網(wǎng)絡(luò)模型構(gòu)造、網(wǎng)絡(luò)訓(xùn)練與參數(shù)調(diào)優(yōu)和腦腫瘤圖像自動(dòng)分割步驟，具體為將mri圖像腦腫瘤的分割轉(zhuǎn)換為像素級語義標(biāo)注問題，對mri不同模態(tài)強(qiáng)調(diào)的差異信息，將flair、t1、t1c和t2四個(gè)模態(tài)的二維整幅切片合成四通道輸入圖像，利用已經(jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)的卷積層組和池化層作為全卷積網(wǎng)絡(luò)的基礎(chǔ)特征層，使得中間層輸出與語義分割類別數(shù)量相對應(yīng)的粗糙分割圖，并在中間層的后面添加反卷積網(wǎng)絡(luò)，用于對粗糙分割圖進(jìn)行插值得到與原圖像大小一樣的分割圖。因而，本發(fā)明具有如下優(yōu)點(diǎn)：1、與基于圖像塊分類的分割方法相比，本發(fā)明不僅不需要人工的干預(yù)，而且還不需要考慮圖像塊大小的設(shè)置，是一個(gè)自動(dòng)的、簡單的腦腫瘤分割方法，不僅提高了分割精度，還大大提高了分割的效率；2、本發(fā)明以整個(gè)切片作為輸入圖像，更能考慮分類像素的外觀和空間一致性，得到更高的分割精確度；3、本發(fā)明利用了遷移學(xué)習(xí)方法，獲取已經(jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)的中間特征層權(quán)值作為全卷積網(wǎng)絡(luò)基礎(chǔ)特征層的初始權(quán)值，縮短了訓(xùn)練時(shí)間，節(jié)約了數(shù)據(jù)標(biāo)注成本，在小樣本情況下仍有較好的學(xué)習(xí)性能。

最后說明的是，以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的宗旨和范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。