[发明专利]基于三维Unet网络的脑部核磁共振图像组织分割方法

说明书

本发明公开了一种基于三维Unet网络的脑部核磁共振图像组织分割方法，其包括将脑部核磁共振图像导入训练后的三维Unet网络中，并输出三维Unet网络倒数第二层获得的64个三维特征；采用高维矢量非局部均值注意力模型对64个三维特征的特征值进行重新分布；将重新分布特征值的三维特征输入至三维Unet网络最后一层的softmax层进行图像分割处理，得到脑部三个组织的分割结果。本方案通过三维Unet网络和高维矢量非局部均值注意力模型的相互结合，可以使映射后的组织类别完全不受噪声的干扰，从而获得不受噪声影响的全脑组织分割结果。

技术领域

本发明涉及脑部图像的分割方法，具体涉及一种基于三维Unet网络的脑部核磁共振图像组织分割方法。

背景技术

脑部核磁共振图像的全脑组织分割主要是将脑部核磁共振图像组织分割成脑脊液，白质和灰质三类。但是，在核磁共振图像获取过程中，尤其是超高场强的核磁共振图像中带有严重的噪声。这类噪声遍布整个脑部组织区域，会对MR图像的组织分割，尤其是部分细节组织的分割造成较大的分割错误。

采用全卷积神经网络FCN进行核磁共振图像分割时需要训练大量样本，而医学图像并不具备这一条件，对此，目前现有技术中的二维UNet在全卷积神经网络(FCN)的基础上为了提高了数据的利用效率，提出了一种对称的网络结构，用对称的上采样弥补下采样所损失的信息。

二维Unet包括左边的收缩路径和右边的扩张路径，收缩路径就是经结构，其包括几个3×3的卷积加RELU激活层再加2×2maxpooling的结构，下采样的每一步特征通道数都增加一倍；扩张路径的每一步包括上采样、2×2卷积和相应收缩路径中的剪裁过的特征层的串联以及两个3×3卷积加RELU；最后一层用了1×1卷积把64个通道映射到想要的类别种类数。

虽然Unet比传统的FCN更好地解决了医学图像的分割问题，但是针对具有较严重噪声的高场强脑部MR图像，其分割结果受到高噪声的严重干扰，尤其是遇到脑部组织沟回的细节部分，严重的高噪声会导致分割的严重错误。

针对二维Unet网络存在的缺陷，出现了三维Unet网络，其是单纯地将作用于二维医学的Unet网络直接推广到三维图像，可以实现端到端的三维脑部核磁共振图像全脑组织分割的深度学习网络。

三维Unet网络在进行图像分割时，虽然可以延伸到脑部三维核磁共振图像的组织分割，实现三维MR图像脑组织的立体分割效果，解决二维切片组织分割结果不连续的问题，但整个网络的学习问题仍然延续二维Unet网络的基础，没有考虑到噪声对脑部细节的影响，尤其是高噪声对脑部沟回细节分割的影响。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于三维Unet网络的脑部核磁共振图像组织分割方法，其在能够通过高维矢量非局部均值注意力模型消除高噪声对脑部图像分割的影响。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于三维Unet网络的脑部核磁共振图像组织分割方法，其包括：

将脑部核磁共振图像导入训练后的三维Unet网络中，并输出三维Unet网络倒数第二层获得的64个三维特征；

采用高维矢量非局部均值注意力模型对64个三维特征的特征值进行重新分布；

将重新分布特征值的三维特征输入至三维Unet网络最后一层的softmax层进行图像分割处理，得到脑部三个组织的分割结果。

进一步地，所述采用高维矢量非局部均值注意力模型对64个三维特征的特征值进行重新分布进一步包括：

对三维Unet网络倒数第二层输出的64个三维特征进行归一化处理：