[发明专利]一种基于深度学习的MRI全脑组织分割方法及系统

权利要求书

1.一种基于深度学习的MRI全脑组织分割系统，其特征在于，包括：

图像数据预处理模块，用于对MR脑图像进行图像配准、偏移矫正以及窗宽窗位调整预处理；

图像分块模块，用于将经过预处理后的MR脑图像分块；

多先验特征网络模型构建模块，用于基于对称先验、边缘先验和邻域先验三种先验特征信息构建多先验特征网络模型，其中：

对称先验：从全脑组织中筛选出在大脑左右半球成对出现的组织，只对其中一个半球的组织进行分割，对经过预处理后的MR脑图像做一次左右翻转，将另外一个半球的组织当作所述一个半球的组织处理；

边缘先验：将训练集所有组织的边缘像素提取出来，制作二分类标签，标签1表示目标像素为脑组织的边缘像素，标签0表示目标像素为非脑组织边缘；

邻域先验：将对于边缘像素的二分类分割问题转化为一个对邻域像素的多分类问题；具体过程为：将图像的一个像素扩展为多邻域通道，0表示领域通道对应的邻域像素不是组织边缘，1表示领域通道的邻域像素是组织边缘，经过多先验特征网络模型的预测之后，输出所述多邻域通道的预测图，通过邻域像素互相匹配的方式进行解码预测，得到组织边缘像素的预测结果；

基于三种先验特征信息构建所述多先验特征网络模型，所构建的多先验特征网络模型包括主分割网络和边缘分割分支网络，主分割网络用于完成一个分块脑组织的分割；边缘分支网络用于完成该分块脑组织的边缘信息提取，并且用邻域相关性预测的方式输出最终的组织边缘特征，对主分割网络进行边缘约束；

训练模块，用于利用训练集对所构建的多先验特征网络模型进行训练，所述训练集包括先经过图像数据预处理模块处理，之后经过图像分块模块分块处理的公开数据集；

标签融合模块，用于确定MR脑图像中每个像素的最终分割结果；

逆仿射变换模块，用于在确定MR脑图像中每个像素的最终分割结果之后，完成MR脑图像从MNI空间到原始图像空间的变换操作。

2.根据权利要求1所述的系统，其特征在于，对MR脑图像进行图像配准、偏移矫正以及窗宽窗位调整预处理，具体过程如下：

首先对MR脑图像进行基于仿射变换的配准，配准的参考图像为MNI305图谱，使人脑基本位于图像空间的中心位置，且大小与分辨率得到统一；在完成图像配准之后，针对磁场分布不均造成的MR脑图像组织内部强度不均匀问题，进行偏移场矫正；最后，针对一些人工制品使得MR脑图像在一大段灰度级上没有数据，对图像进行窗宽窗位的调整，提高MR脑图像整体亮度。

3.根据权利要求1或2所述的系统，其特征在于，将经过预处理后的MR脑图像分块，具体过程如下：

将经过预处理后的MR脑图像分为n个互有重叠的块，n为12～27，其中一个n/2块覆盖脑左半球的主要区域，另外一个n/2块覆盖脑右半球的主要区域，两者呈总体对称形式。

4.根据权利要求1或2所述的系统，其特征在于，利用训练集对所构建的多先验特征网络模型进行训练，具体包括如下过程：

采用链式训练方式对多先验特征网络模型进行训练，其中，采用Xavier算法对第一个分块的多先验特征网络模型权重进行初始化，进行训练，并且保存在训练周期中效果最佳的多先验特征网络模型权重；在第二个分块的多先验特征网络模型进行训练之前，加载保存的第一个分块的最佳多先验特征网络模型权重，作为第一个分块的多先验特征网络模型的初始化，然后进行训练，之后每一个分块都加载前一个分块训练中保存的最佳多先验特征网络模型作为权重初始化，进行训练。

5.根据权利要求1或2所述的系统，其特征在于，所述标签融合模块采用多数投票标签融合的方法来决定MR脑图像中每个像素的最终分割结果。