[发明专利]一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统

说明书

本发明公开了一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统，该方法包括以下步骤：步骤一，通过分割子网络学习大脑核磁共振图像特征；步骤二，通过解剖结构注意力子网络学习大脑解剖结构信息；步骤三，通过解剖结构门将分割子网络学习到的图像特征和解剖结构注意力子网络学习到的解剖结构信息融合；步骤四，利用分割子网络的输出分割大脑核磁共振图像。本发明使用卷积网络学习到特征，并利用解剖结构先验信息指导网络进行大脑图像分割，本发明提供的方法能够更加快速准确的对大脑核磁共振图像进行分割。

技术领域

本发明涉及一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统，属于医学图像分析技术领域。

背景技术

近年来，深度学习方法在医学图像分割和计算机辅助诊断中取得巨大的成功。特别是一些基于端到端网络结构的方法，常被用于自动分割图像。端到端网络通常包含两部分：(1)编码部分和(2)解码部分。具体来说，编码部分用于提取输入图像的高级纹理特征，而解码部分通过上采样方法将图像的高级纹理特征转换成稠密的标签集合，用于预测待分割图像的标签。在早期的端到端网络结构中，全连接层用于将高维度特征转换为1维特征向量。由于全连接层的参数是由输入图像的大小决定的，因此这些网络只能处理固定大小的图像。全卷积网络(Fully Convolutional Networks，FCN)是目前比较常用的一种网络结构，由于FCN只有卷积层，因此FCN可以处理任意大小的图像。除此之外，去除全卷积层可以使FCN的参数数目减少，从而加快FCN训练和测试阶段的速度。虽然FCN中的池化操作可以提取输入图像的高级纹理特征，但也会丢失输入图像的空间信息，导致在稠密分割时影响分割的效果。为了有效的刻画图像的高级纹理特征和高分辨率的空间特征，有研究者提出U-Net结构用于生物医学图像分割。与FCN结构类似，U-Net也由编码和解码两部分构成，并且在编码部分和解码部分之间存在跳连接。由于跳连接的存在，高级的纹理特征和高分辨率的空间特征可以融合到U-Net网络中提高分割的效果。但是人类大脑有复杂的解剖结构，并且大脑MR图像的感兴趣区域边缘的图像灰度对比度极低，不同个体之间差异性较大，这些原因使得大脑感兴趣区域分割十分困难。而且，现有的一些深度学习方法通常忽略了大脑的解剖结构信息，导致对大脑感兴趣区域的分割产生了次优的结果。

基于多图谱的分割方法在大脑感兴趣区域分割上展现出优越的性能。多图谱方法假设体素之间如果具有相似的局部结构，则体素应该具有相同的标签。为了减少配准误差对分割结果的影响，有研究者提出了一些基于非局部的方法用于标签融合。例如，非局部均值图像块方法(non-local mean Patch-Based Method，PBM)不仅在待分割体素的同一位置传播标签，而且根据一个特定的局部区域内体素之间的相似性传播标签。最近，一些基于学习的方法被提出用于自动的学习投票权重。例如，联合标签融合方法(Joint LabelFusion，JLF)通过最小化相似的图像块之间标签错误的期望，联合学习图像块的投票权重。除此之外，稀疏字典方法也被用于学习投票权重。在稀疏图像块方法(Sparse Patch-BasedMethod，SPBM)中，首先将搜索区域中的图像块构建成一个区域特定的字典，然后利用字典重建目标图像块。在l₁范数的约束下，仅有少量的图像块被选中用于决定待分割体素的标签。有研究证明，使用多图谱图像解剖结构的先验信息能够有效的提高对大脑MR图像感兴趣区域分割的效果。由于这些多谱图方法使用图像灰度作为特征，而后续的标签传播算法不能有效的使用这些特征，从而降低了多图谱分割算法的性能。因此，设计一个基于任务驱动特征提取的大脑感兴趣区域分割方法十分重要。此外，由于多图谱方法是逐体素进行分割图像，其分割效率通常很低。

发明内容

本发明的目的是提供一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统，以解决现有技术中深度网络分割精度不高、多图谱分割方法速度较慢，特征难以人工定义等问题。

为实现上述目的，本发明采用的技术方案为：

一种解剖结构先验引导的大脑感兴趣区域快速分割方法，包括以下步骤：