[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

说明书

本发明公开了一种基于粗、精训练的MRI图像分割方法，该方法利用分割软件对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大量样本对全卷积神经网络进行粗训练；采用带有人工标注标签的小数据样本对全卷积神经网络进行精训练；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；训练完成的神经网络作用于需要分割的MRI图像实现图像分割。本发明还提供了一种基于粗、精训练的MRI图像分割装置和计算机可读存储介质。使用本发明能够在人工手动标注的训练数据有限的情况下，提高分割精度。

技术领域

本发明涉及计算机视觉的图像分割与深度学习技术领域，尤其涉及一种基于粗、精训练的MRI图像分割方法、装置和计算机可读存储介质。

背景技术

核磁共振图像(MRI)可以为人类脑部形态学的研究提供详细的活体信息，而这对于研究发育、衰老和疾病，是至关重要的。为了评估某个测量结构的体积、厚度以及形状，神经解剖学需要将原始图像进行分割，而手动的分割却是非常耗时的。基于计算机的发展，目前人们一般采用通过人工手动分割后，将其映射到目标扫描，实现自动分割的方法。但是，这样的方法有两个明显的缺点：(i)估计用于映射的3D场向量将是非常耗费计算机机时的，(ii)缺少同源性，将会导致对于皮质分割的错误。基于此，目前存在的映射的方法，不但需要非常长的处理时间，还不能得到最优解。这便造成图像的标注要在数据采集后很久才能拿到，从而制约了整个形态学分析的发展。

在过去的几年中，深度学习得到了空前的成功，但是，有效的训练却需要大量的带注释的数据。在计算机视觉领域，图像语义分割一直被F-CNN(全卷积神经网络)所主导。扩展F-CNN模型到诸如脑图像的复杂人体组织分割领域主要的挑战来自于可用的人工手动标注的训练数据的有限性。

发明内容

有鉴于此，本发明提供了一种基于粗精神经网络训练的脑部MRI图像分割方法，能够在人工手动标注的训练数据有限的情况下，提高分割精度。

为了解决上述技术问题，本发明是这样实现的：

一种MRI图像分割方法，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。

优选地，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。

优选地，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)。

优选地，所述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。

优选地，所述分割软件采用FreeSurfer软件。

优选地，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。