[发明专利]基于可形变配准和DCNN的宫颈MRI图像分割方法

说明书

本发明公开了一种基于可形变配准和DCNN的宫颈MRI图像分割方法，涉及医学影像处理技术领域，本发明提供了一种可形变配准和深度神经网络相结合的由粗到精的分割策略。首先对采用最小距离树的多特征互信息实施改良，利用这种新型度量完成可形变配准实现对潜在边界区域的粗分割，这种改良策略是对初始生成图的边进行自相似估计加权，使其更加紧凑，利于配准参数寻优；其次，通过迁移学习的方法将在自然图像上性能良好的像素分类器深度神经网络应用到当前任务中，从而重新预测潜在边界区域中每个像素的类别标签，完成精分割，在宫颈MRI图像上提高了分割性能，获得了更高的分割精度。

技术领域

本发明涉及医学影像处理技术领域，具体涉及一种基于可形变配准和DCNN的宫颈MRI图像分割方法。

背景技术

在失去手术机会的情况下，放射治疗对于宫颈癌是至关重要的。与CT(ComputedTomography,计算机断层扫描)相比，MRI(Magnetic Resonance Imaging,磁共振成像)不仅没有电离辐射还可以提供较好的软组织对比度，越来越多地被用于放射治疗。精确定位宫颈及其周围结构是MRI引导宫颈癌放射治疗的必要条件。手工分割多个组织器官十分耗时，而且可能会存在不同观察者的差异。由于具有灰度不均匀性且器官的解剖变异较大，宫颈MRI图像的计算机辅助分割任务仍是一项具有挑战性的工作。如图1所示，该挑战主要与灰度不均匀性和器官形状变化有关。

为了解决这些问题，通常采用atlas-to-target(模板图像到目标图像)的可形变配准方法。Staring等在文献中采用KNNG(k-Nearest Neighbors Graph,k-最近邻图)的方法来实现α-MI(Multi-feature Mutual Information,多特征互信息)，对宫颈MRI图像进行配准。与MI(Mutual Information,标准的互信息)方法相比，他们使用笛卡尔特征集的方法明显提高了配准精度。Lu等在文献中将自动分割、非刚性配准和肿瘤检测集成到贝叶斯框架中，该框架需要使用水平集表示来构造形状先验。Berendsen等在患者间的图像配准中，将统计形状模型视为自由形变框架内的一个惩罚项。然而，由于训练数据的形状和大小变化较大，建立统计形状模型并不是一项简单的任务。

因此，亟需一种精度更高的实现宫颈MRI图像分割的技术方案。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于可形变配准和DCNN的宫颈MRI图像分割方法，以获得更高的分割精度。

为达到以上目的，本发明采取的技术方案是：一种基于可形变配准和DCNN的宫颈MRI图像分割方法，包括以下步骤：

采用目标图像的自相似性加权初始生成图的边，计算基于最小距离树的加权α-MI度量；

采用加权α-MI度量进行目标图像和模板图像之间的可形变配准，期间采用梯度下降法实现参数寻优，通过配准结果对模板标签图像进行形变，获得粗分割结果；

采用粗分割结果的符号距离场定位潜在的边界区域，采用经过迁移学习的DCNN模型进行所述潜在边界区域的分类预测；

对DCNN模型输出的预测结果进行边界细化提炼，得到精分割结果。

在上述技术方案的基础上，计算基于最小距离树的α-MI度量，具体包括以下步骤：