[发明专利]基于网络模型的二维序列磁共振图像的器官定位方法

权利要求书

1.一种基于网络模型的二维序列磁共振图像的器官定位方法，包括以下步骤：

S1，准备数据集：

搜集多个关于某器官的二维序列磁共振图像，对这些图像中的器官区域进行矩形目标框标注，然后将其分成训练集和验证集；

S2，数据集预处理：对每张所述二维序列MR图像依次进行像素强度最大值最小值归一化处理、中心裁剪处理和图像尺寸归一化处理；

S3，对步骤S2得到的训练集图像及对应器官的矩形目标框标注进行数据扩充处理；

S4，构建基于Faster R-CNN改进的器官初步定位网络模型，包括以下步骤：

1)构建基于Faster R-CNN改进的目标检测网络架构，利用带有空间注意力机制的ResNet-50代替经典Faster R-CNN中的VGG16架构，利用ImageNet大型自然数据集对ResNet-50进行训练，得到网络的初始训练权重参数；

2)将步骤S3扩充后的训练集图像及对应的矩形目标框标注作为步骤1)中网络的输入，利用分类损失和回归损失构成的多任务损失函数对整个网络架构参数进行迭代调整，完成网络训练，生成器官初步定位网络模型；

S5，将步骤S2预处理后的验证集图像和与其对应的矩形目标框标注输入S4生成的器官初步定位网络模型，针对输出结果对器官定位模型进行优化调整，得到器官定位网络模型；

S6，利用S5构建的网络模型对步骤S2预处理后的验证集图像进行器官的初步定位，得到针对其中每个二维切片图像的若干个目标检测框及相应的可信度评分，保留每张图像中可信度大于一定阈值的目标候选框；

S7，构建基于序列关联性处理的空间曲线拟合模型：

1)针对S6中每个带有初步检测结果的二维切片图像，将属于同一序列的轴向切片图像按照前后顺序整理好；

2)对上述整理好的每个序列，将其中具有单一可靠目标候选框的切片图像中目标框的关键点进行提取，并利用这些关键点进行序列方向的空间曲线拟合，确定最佳曲线拟合方式为最小二乘四次多项式拟合；

S8，将某一待定位器官的二维序列磁共振图像按步骤S2的方法进行预处理后输入到步骤S5得到的器官定位网络模型中，得到器官的初步定位结果；

S9，由步骤S8输出的器官初步定位结果得到每个二维切片图像的若干个目标检测框及相应的可信度评分，保留每张图像中可信度大于一定阈值的目标候选框；

S10，基于序列关联性处理对器官进行最终定位：

1)针对S9中每个带有初步检测结果的二维切片图像，将其按序列前后顺序整理好；

2)针对上述整理好的序列图像，将其中具有单一可靠目标候选框的切片图像中目标框的关键点进行提取，根据S7得到的最小二乘四次多项式拟合方式对这些关键点进行序列方向的空间曲线拟合；

3)利用拟合的空间曲线和最小空间欧式距离筛选并判定具有多预测框的二维图像中距离拟合位置最近的目标框为器官的最终定位框，并在每次筛选之后更新空间曲线拟合参数；

4)利用最终更新后的空间曲线对每个序列中序列首末两端缺失检测的二维图像进行拟合，完成对器官的最终定位。

2.根据权利要求1所述的器官定位方法，其特征在于：步骤S2中，对像素强度进行归一化时，像素i的像素值x_i归一化后的像素值为：

norm_i＝(x_i-Pmin)/(Pmax-Pmin)×255,norm_i∈[0,255]，

其中，Pmax、Pmin分别指像素i所在的切片图像的像素最大值和最小值。

3.根据权利要求1所述的器官定位方法，其特征在于：步骤S2中，进行中心裁剪处理时，若原图尺寸为W×H，则裁剪后尺寸为αW×αH,α为比例系数。

4.根据权利要求3所述的器官定位方法，其特征在于：所述α＝2/3。

5.根据权利要求1所述的器官定位方法，其特征在于：步骤S2中，将图像尺寸归一化为600×600。

6.根据权利要求1所述的器官定位方法，其特征在于：步骤S3中，通过水平翻转、小幅度水平平移或垂直平移、小角度随机旋转和弹性形变进行数据扩充处理。