[发明专利]基于粗、精训练的MRI图像分割方法、装置和存储介质

权利要求书

1.一种MRI图像分割方法，其特征在于，包括：

利用分割软件对MRI图像进行组织类别的分割，将分割结果作为辅助标签数据，采用带有辅助标签的样本对全卷积神经网络进行粗训练；

利用粗训练网络作为初始化，采用带有人工标注标签的样本对全卷积神经网络进行精训练；

训练完成的全卷积神经网络作用于需要分割的MRI图像实现图像分割。

2.如权利要求1所述的方法，其特征在于，在粗训练和精训练过程中，在损失函数的逻辑损失项中增加权重ω(x)；像素x的权重ω(x)与像素x所在组织类别的体积相关，体积越大，权重越低；ω(x)还与像素x所在位置是否为类别边缘有关，处于边缘的像素权重大于未处于边缘的像素权重。

3.如权利要求2所述的方法，其特征在于，所述权重ω(x)的获取方式为：

针对作为样本的单个体像素，计算每个组织类别的像素数量，获得所有组织类别的像素数量中值med，则像素x的第一部分权值ω₁(x)为像素数量中值med除以x所在组织类别i的像素数量count_i；

针对所述单个体像素，通过梯度求取边缘位置；对于处于边缘位置的像素x，将其第一部分权值ω₁(x)乘以设定倍数，得到该像素的权重ω(x)。

4.如权利要求2所述的方法，其特征在于，所述损失函数为包括逻辑损失LogisticLoss和相似系数损失Dice Loss的联合损失函数。

5.如权利要求1所述的方法，其特征在于，所述分割软件采用FreeSurfer软件。

6.如权利要求1所述的方法，其特征在于，将MRI图像分别沿着冠状、轴向和矢状三个方向分割为三个维度的二维视图，每个维度利用一套全卷积神经网络进行分割，最后将三个维度的分割结果进行汇总，获得图像分割结果。

7.如权利要求6所述的方法，其特征在于，所述将三个维度的分割结果进行汇总采用加权和方式。

8.如权利要求7所述的方法，其特征在于，矢状和冠状的权值设置为小于轴向的权值。

9.如权利要求1所述的方法，其特征在于，所述全卷积神经网络采用U-net结构，编码器和解码器均采用多层的密集连接模块；编码器的密集连接模块之后跟随池化层，解码器的密集连接模块之前连接上采样层；密集连接模块包含三个卷积层c，每个卷积层前是一个实例归一化层n；前两个卷积层都跟随一个连接层，用于将当前卷积层的输入特征图和前面所有级卷积层的输入特征图连接在一起。

10.如权利要求1所述的方法，其特征在于，所述MRI图像为脑部MRI图像。

11.一种MRI图像分割装置，其特征在于，包括自动分割模块、全卷积神经网络模块和训练模块；

自动分割模块，配置用于采用分割软件对MRI图像进行组织类别的分割，分割结果作为辅助标签数据；

训练模块，配置用于采用带有辅助标签的样本对全卷积神经网络进行粗训练；利用粗训练网络作为初始化，采用带有人工标注标签的样本对全卷积神经网络进行精训练；

全卷积神经网络模块中的全卷积神经网络在训练完成后，作用于需要分割的MRI图像实现图像分割。

12.如权利要求11所述的装置，其特征在于，所述训练模块在粗训练和精训练过程中，在损失函数的逻辑损失项中增加权重ω(x)；像素x的权重ω(x)与像素x所在组织类别的体积相关，体积越大，权重越低；ω(x)还与像素x所在位置是否为类别边缘有关，处于边缘的像素权重大于未处于边缘的像素权重。

13.如权利要求12所述的装置，其特征在于，所述训练模块在训练中所采用的损失函数为包括逻辑损失Logistic Loss和相似系数损失Dice Loss的联合损失函数。