[发明专利]一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法

说明书

本发明中提出的一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法，其主要内容包括：跳跃连接的多流三维完全卷积网络(FCN)、部分转移学习、训练、测试和评估，其过程为，先从多模态磁共振图像中学习每个脑组织的概率图，然后从概率图中获得不同脑组织的初始分割，用于计算每个脑组织的距离图，接着根据距离图模拟空间上下文信息，最后通过使用空间关联信息和多模式磁共振图像来实现最终的分割，其中训练过程主要包括增加训练数据、准备训练补丁和迭代训练，进行测试后用各种检测值进行评估。本发明的分割方法成功分割了白质、灰质和脑脊液的区域，缓解多级深度监督潜在的梯度消失问题，提高了训练效率，也大大增强了分割的性能。

技术领域

本发明涉及图像分割领域，尤其是涉及了一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法。

背景技术

医学图像的感兴趣区域分割研究，是医学图像分析中最重要的基础，准确、鲁棒和快速的图像分割，是定量分析、三维可视化等后续环节之前的最重要步骤，也为图像引导手术、放疗计划和治疗评估等重要临床应用奠定了最根本的基础。利用自动精确定量的计算机辅助图像分析，能够帮助临床医生和研究者高效准确地处理海量图像信息。磁共振(MR)图像中的脑部分割是这种定量分析工具的核心部分，因为它提供了不同大脑结构的定量测量，并提供了用于进一步量化的背景信息。虽然多年的研究已经使成人脑部MR图像分割技术取得了重大进展，然而婴幼儿脑部MR图像的分割仍然是一个巨大的挑战。婴幼儿脑部MR图像的分割可以用于婴幼儿脑部疾病的辅助诊断，临床医生根据自动分割的脑部图像，能够更快速、更准确地判断脑部的异常情况，从而有效诊断和治疗婴幼儿的各种脑部疾病，如脑炎、脑膜炎、脑瘫、脑积水等。但是现有的分割技术种由于灰质和白质具有几乎相同的强度水平，所以T1和T2模态具有最低的反差，给分割带来了巨大的困难。

本发明提出了一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法，先从多模态磁共振图像中学习每个脑组织的概率图，然后从概率图中获得不同脑组织的初始分割，用于计算每个脑组织的距离图，接着根据距离图模拟空间上下文信息，最后通过使用空间关联信息和多模式磁共振图像来实现最终的分割，其中训练过程主要包括增加训练数据、准备训练补丁和迭代训练，进行测试后用各种检测值进行评估。本发明的分割方法成功分割了白质、灰质和脑脊液的区域，缓解多级深度监督潜在的梯度消失问题，提高了训练效率，也大大增强了分割的性能。

发明内容

针对灰质和白质具有几乎相同的强度水平的问题，本发明的目的在于提供一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法，先从多模态磁共振图像中学习每个脑组织的概率图，然后从概率图中获得不同脑组织的初始分割，用于计算每个脑组织的距离图，接着根据距离图模拟空间上下文信息，最后通过使用空间关联信息和多模式磁共振图像来实现最终的分割，其中训练过程主要包括增加训练数据、准备训练补丁和迭代训练，进行测试后用各种检测值进行评估。

为解决上述问题，本发明提供一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法，其主要内容包括：

(一)跳跃连接的多流三维完全卷积网络(FCN)；

(二)部分转移学习；

(三)训练；

(四)测试和评估。

其中，所述的婴幼儿脑部磁共振图像分割方法，它是一种基于多尺度深度监督的多流三维完全卷积网络(FCN)的婴幼儿脑部多模式磁共振(MR)图像的自动分割方法，包括两个阶段；首先开发用于第一阶段的FCN-1，以从多模态MR图像中学习每个脑组织的概率图；然后从概率图中获得不同脑组织的初始分割，进一步可用于计算每个脑组织的距离图；计算出的距离图可以用来模拟空间上下文信息；接着开发第二阶段使用的FCN-2，通过使用空间关联信息和多模式MR图像来实现最终的分割。