[发明专利]基于混合上下文CNN模型的医学图像分割

说明书

通过2D卷积神经网络(CNN)分割由多个解剖学图像形成的体积图像，每个解剖学图像具有不同成像模态的多个图像切片。通过在没有任何估计的图像切片的情况下结合来自两个相邻解剖学图像的所选择的图像切片来预处理单个解剖学图像以形成混合上下文图像。2D CNN利用关于多模态上下文的边信息和3D空间上下文来提高分割准确性，同时避免由于估计的图像切片中的伪像导致的分割性能降低。2D CNN通过具有从最高层级到最低层级的多个层级的BASKET‑NET模型来实现。层级的大多数多通道特征图中的通道数量从最高层级到最低层级单调减少，从而允许最高层级富含低层级特征细节，以帮助更精细地分割单个解剖学图像。

缩写词列表

2D 二维

3D 三维

BN 批标准化

CNN 卷积神经网络

CT 计算机断层扫描

DSC 戴斯相似性系数

ELU 指数线性单元

FCN 完全卷积神经网络

FLAIR 流体衰减反转恢复

IR 反转恢复

MRI 磁共振成像

PET 正电子发射断层扫描

技术领域

本发明总体上涉及通过使用CNN(卷积神经网络)的自动图像分割。特别地，本发明涉及使用2D(二维)CNN来分割通过在医学应用中的不同成像模态下对受试者的身体部位进行成像而获得的体积图像。

背景技术

将MRI(磁共振成像)考虑为用于说明一般医学成像所考虑的技术问题的示例。

MRI广泛用于非侵入性地对受试者的身体部位成像的医疗应用。MRI的一个重要医学应用是对人脑进行成像以进行医学诊断，例如检测大脑中可能的肿瘤和表征阿尔茨海默病。在分析获得的MRI图像时，最经常需要将MRI图像分割成不同的类别或区域，例如脑中的灰质区域和白质区域。在对大脑进行成像时，通常生成体积图像，该体积图像是在大脑中的不同位置获得的多个解剖学图像。此外，在MRI中激励大脑时，大脑组织可能对不同的MRI序列作出不同的响应，从而通过用不同的MRI序列激励大脑来增强不同大脑组织之间的对比度。可以在不同的MRI模态下(即，用不同的MRI序列)对大脑成像，以更准确地区分大脑的不同区域。得到的MRI图像是具有多个图像切片(可以称为MRI切片)的多通道图像。在实践中通常会遇到分割多通道MRI图像的需要。

基于深度学习的分割方法(主要基于使用CNN)已被证明显著优于常规的自动分割方法，例如基于直方图的方法，并且避免了在常规方法中通常需要的需要大的领域知识数据库的需要。自从体积图像被分割以来，3D(三维)CNN已经示出在分割中实现比2D CNN更高的准确性。参见，例如，Q.DOU等人的“通过3D卷积神经网络从MR图像自动检测脑微出血(Automatic Detection of Cerebral Microbleeds from MR Images via 3DConvolutional Neural Networks)”，IEEE医学成像汇刊(IEEE Transactions on MedicalImaging)，第35卷，第1182-1195页，2016年5月，其公开内容通过引用整体并入本文。

然而，通过3D CNN的MRI体积图像分割遇到技术问题。如果被成像的连续身体部位位置间隔太远，例如6mm，则3D CNN的分割性能显著降低。相邻的身体部位位置之间的距离称为切片间隙(slice gap)。在临床实践中使用较长的切片间隙用于脑成像有时是不可避免的，这是由于例如需要在短时间内对大量患者成像，或者需要通过缩短固定被成像患者的时间来避免图像模糊。