[发明专利]核磁共振影像海马体分割方法及装置

权利要求书

1.一种核磁共振影像MRI海马体分割方法，其特征在于，包括：

获取目标MRI；所述目标MRI中包含待分割的海马体；

将所述目标MRI输入至预设的多任务学习模型，输出海马体分割概率图；所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的；所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块；

对所述海马体分割概率图进行二值化处理，得到海马体分割结果。

2.根据权利要求1所述的MRI海马体分割方法，其特征在于，所述多任务学习模型共享一部分神经网络参数，共享模式包含参数硬共享和软共享，共享的网络结构部分为全卷积网络。

3.根据权利要求2所述的MRI海马体分割方法，其特征在于，所述全卷积网络由下采样通道、上采样通道、批归一化层和非线性激活函数层；

所述下采样通道由五个卷积模块组成，每个卷积模块包含两次步长为1的3x3x3卷积操作；两个卷积模块之间通过插入一次步长为2的3x3x3的卷积操作对特征图进行降采样；

所述上采样通道由五个卷积模块，通过步长为2的2x2x2的转置卷积对特征图进行升采样；

所述下采样通道和所述上采样通道中所有的卷积操作后依次连接批归一化层和非线性激活函数层。

4.根据权利要求1所述的MRI海马体分割方法，其特征在于，所述多任务学习模型的训练步骤如下：

初始化所述多任务学习模型的参数；

获取所述人脑MRI海马体影像样本以及其对应的标签信息；

将所述人脑MRI海马体影像样本输入所述多任务学习模型，根据输出结果和所述标签信息确定总损失函数；

根据所述损失函数确定所述多任务学习模型的参数的梯度，并利用预设的梯度下降优化算法更新所述多任务学习模型的参数。

5.根据权利要求4所述的MRI海马体分割方法，其特征在于，所述标签信息包含海马体掩膜图像、海马体边缘图像和海马体距离图像。

6.根据权利要求4所述的MRI海马体分割方法，其特征在于，所述总损失函数包括分割任务损失函数、边缘预测损失函数和距离回归损失函数。

7.根据权利要求4所述的MRI海马体分割方法，其特征在于，所述将所述人脑MRI海马体影像样本输入所述多任务学习模型之前，还包括：

对所述人脑MRI海马体影像样本进行数据增广。

8.一种MRI海马体分割装置，其特征在于，包括：

获取模块，用于获取目标MRI；所述目标MRI中包含待分割的海马体；

输出模块，用于将所述目标MRI输入至预设的多任务学习模型，输出海马体分割概率图；所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的；所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块；

处理模块，用于对所述海马体分割概率图进行二值化处理，得到海马体分割结果。

9.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述MRI海马体分割方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述MRI海马体分割方法的步骤。