[发明专利]一种基于深度学习的全脑结构体积测量方法及系统

说明书

本发明提供了一种基于深度学习的全脑结构体积测量方法及系统，包括：A、获取待测量的患者的全脑结构图像数据；B、将所述待测量的患者的全脑结构图像数据进行预处理，将所述待测量的患者的全脑结构图像数据由原始空间映射到MNI标准空间；C、将映射到MNI标准空间中的全脑结构图像数据划分为各个预设子区域；D、将所述各个预设子区域的全脑结构图像数据分别输入至与各个所述预设子区域分别对应的训练好的各个网络分割模型中，并获取各个分割结果；E、采用多标签融合方法对所述各个分割结果进行融合处理，并将融合处理后的分割结果映射回原始空间；F、基于所述分割结果计算全脑结构的体积。本申请有利于快速有效地获取全脑结构体积测量结果。

技术领域

本发明涉及医学影像领域，特别是涉及一种基于深度学习的全脑结构体积测量方法及系统。

背景技术

脑组织形态学研究是临床判断脑组织的正常老化与病理过程的重要方法，随着医学影像的快速发展，通过对人体病变部位更直接/ 细致/清晰的观察，使得脑组织形态学方法成为脑部疾病中重要的诊断方法。本申请以癫痫疾病为实例，研究脑部疾病的脑结构形态变化。癫痫是一组反复发作的神经元异常放电所导致的暂时性中枢神经系统功能失常的慢性疾病，通常分为原发性癫痫和继发性癫痫，原发性致痫原因仍未发现，继发性癫痫往往是由脑肿瘤/脑外伤等疾病引起的。在我国癫痫的患病率为0.5-1％，发病率为0.1％，癫痫疾病难以在短期内完全治愈，早期诊疗是影响癫痫预后的关键，患者经过正规 /合理的抗癫痫药物治疗，有70％左右的患者癫痫发作得到控制。癫痫患者反复的癫痫发作/社会歧视/长期服药等情况使其个人及家属承受着沉重的心理和社会负担。因对癫痫的发作的担忧和耻辱感的长期存在，多数病人容易产生心理疾病，癫痫患者社会适应能力下降也会导致婚姻与就业障碍而造成的思想和精神负担，据统计，癫痫患者自杀率是正常人群的5-6倍，发生突然死亡的风险比正常人群高20倍。癫痫不仅是一个医学问题，也是一个严重的社会问题，社会应该给予重视，加大科技投入，推广和普及科研成果，提高癫痫的防治水平，做到早期预防，早期诊断，早期治疗，从而降低癫痫的患病率和发病率，减轻癫痫所致的不良后果，减少家庭和社会负担，这些措施对提高人口质量具有重要意义。实现对癫痫病灶更精确的功能定位，始终是癫痫病学最关注的研究方向之一。目前，脑电是诊断癫痫的唯一客观依据，影像学检查(CT/MRI)为癫痫的病因诊断和预后评估提供了直观/清晰的解剖形态学图像。PET/SPECT/MRS/fMRI等技术从代谢或血流动力学变化的角度反映脑功能信息。其中，MRI检查可以更明确地发现有没有脑结构的改变，根据核磁的表现，特别是高能量核磁、高场强核磁，可以观察更细致的脑结构变化。如果发现结构的改变，特别是脑皮质发育不良等，造成的癫痫患者，可以通过早期进行手术干预，达到理想的效果。

准确的疾病诊断和治疗方案取决于所用分割方法的性能，脑结构分割自动方法主要包括：水平集/主动轮廓模型/马尔科夫随即场模型/ 聚类法/图集(以脑图谱为模板进行配准)等分割方法，但由于脑结构非常复杂，而且存在个体差异，自动分割方法难以满足MRI图像分割的精度要求。目前手动/半手动分割仍然是疾病相关的脑结构研究中常用的方法，但是手动分割工作量十分巨大，耗时严重，主观性强。深度学习分割算法是实现目标物体精确分割/快速量化计算的有效手段。建立基于深度学习的脑结构分割模型可以准确快速地分割出脑结构，定位致痫部位，从而自动计算脑结构变化的相关参数(体积等)，为临床干预提供重要决策信息。现有的基于深度学习的脑结构分割主要是针对特定部位(如海马体等家结构)的分割，基于此，本发明提供了一种基于深度学习的全脑结构体积自动测量方法，将传统图像处理方法和深度学习相结合，能快速准确分割出脑结构，计算脑结构体积，不仅可以应用于癫痫疾病的研究，还可以应用于其他多种神经系统疾病的研究，如衰老/阿尔自海默症/神经分裂症等，以揭示这些病变引起的大脑内在结构的变化，都有良好的应用前景。

发明内容

有鉴于此，本申请提供一种基于深度学习的全脑结构体积测量方法及系统，以快速有效地获取全脑结构体积测量结果。

本申请提供一种基于深度学习的全脑结构体积测量方法，包括：

A、获取待测量的患者的全脑结构图像数据；