[发明专利]基于形状约束的多尺度网络MRI胰腺轮廓定位方法

权利要求书

1.一种基于形状约束的多尺度网络MRI胰腺轮廓定位方法，其特征在于，构建U-net网络和基于形状约束的多尺度网络，利用生成的PET图像训练集和MRI图像训练集对U-net网络和基于形状约束的多尺度网络进行训练；该方法的具体步骤包括如下：

(1)生成训练集和标注集：

(1a)分别随机选取不少于80张的核磁共振MRI图像和不少于40张的正电子发射断层扫描PET图像，组成初始MRI训练集和初始PET训练集，每张图像均包含胰腺部位；勾画MRI训练集和PET训练集中每张图像中胰腺部位的轮廓，得到初始MRI标注集和初始PET标注集；

(1b)分别对初始MRI训练集、初始MRI标注集、初始PET训练集、初始PET标注集中每张图像依次进行扩充和预处理，得到MRI训练集、MRI标注集、PET训练集和PET标注集；

(2)预训练U-net网络：

将PET训练集和PET标注集中的每个图像分别输入到一个25层的U-net网络中，对U-net网络进行训练，保存训练好的U-net网络的权重；

(3)构建多尺度网络：

搭建一个结构为两个分支采用交叉连接方式组成的多尺度网络并设置多尺度网络的每层参数；其中，

第一个分支的结构依次为：输入层→第1多尺度卷积层→第2多尺度卷积层→第3多尺度卷积层→第1特征提取层→第2特征提取层→第1融合层→第1激活函数层→第1反卷积层→第2融合层→第3特征提取层→第4特征提取层→第2反卷积层→第3融合层→第5特征提取层→第6特征提取层→第3反卷积层→第4融合层→第7特征提取层→第8特征提取层→输出层；

第二个分支的结构依次为：输入层→第1特征提取层→第2特征提取层→第1池化层→第3特征提取层→第4特征提取层→第2池化层→第5特征提取层→第6特征提取层；

所述两个分支的输入层均采用Input函数实现；

所述的每个多尺度卷积层由3个子模块采用交叉连接方式组成，第一个子模块的结构为：第1特征提取层→第2特征提取层；第二个子模块的结构为：第3特征提取层→第4特征提取层；第三个子模块的结构为：池化层→融合层→激活函数层；

所述每个特征提取层均由1个卷积层和1个激活函数层串联组成；每个卷积层均采用Conv2D函数实现，每个激活函数层均采用ReLU函数实现；

所述每个池化层均采用MaxPooling2D函数实现；

所述每个融合层均采用Merge函数实现；

所述输出层采用Sigmoid函数实现；

(4)训练形状约束网络：

将PET标注集中的每个图像输入到一个13层的形状约束网络中，对形状约束网络进行训练，得到训练好的形状约束网络；

(5)构建形状约束的多尺度网络：

将多尺度网络与形状约束网络进行集成，选择使用混合损失函数计算形状约束的多尺度网络的损失值，联合优化形状约束的多尺度网络使其快速收敛：

U(S,S')＝αL_D(S,S')+(1-α)L_B(S,S')+λ₁L_C(E(S),E(S'))+λ₂L_D(S,D(S'))

其中，U(·)表示混合损失函数，S表示输入到多尺度网络的MRI训练集中的图像在MRI标注集中对应的图像，S'表示将MRI训练集中的图像输入到多尺度网络的输出图像，α表示初始值为1且随着网络训练递减的参数，L_D表示Dice系数损失函数，L_B表示边界损失函数，λ₁表示取值为0.1的交叉熵损失函数的权重，L_C表示交叉熵损失函数，E(S)表示将S输入训练好的形状约束网络中得到的第4层特征提取层的输出图像，E(S')表示将S'输入训练好的形状约束网络中得到的第4层特征提取层的输出图像，λ₂表示取值为0.01的Dice系数损失函数的权重，D(S')表示将S'输入训练好的形状约束网络中得到的输出图像；

所述Dice系数损失函数如下：

其中，|·|表示取绝对值操作，∩表示取交集操作；

所述边界损失函数如下：

L_B＝∫_Ωφ_G(p)s_θ(p)dp

其中，∫_Ω(·)表示关于集合Ω的不定积分，φ_G(p)表示点p∈Ω与在S的轮廓G上最近点间的垂直距离，s_θ(p)表示输入点p到网络中得到的归一化指数函数值，s_θ(p)取值为1时p∈S；

所述交叉熵损失函数如下：

其中，N表示MRI训练集中图像的个数，∑表示求和操作，S_i表示输入到多尺度网络的MRI训练集中的第i张图像在MRI标注集中对应的图像，log表示以10为底取对数操作，S_i'表示将MRI训练集中的第i张图像输入到多尺度网络的输出图像；

(6)训练形状约束的多尺度网络：

(6a)使用MSRA初始化方法对形状约束的多尺度网络的权重进行初始化，并将偏置初始值设置为0；

(6b)将MRI训练集和MRI标注集中的每个图像输入到形状约束的多尺度网络中，输出MRI胰腺图像的分割结果；

(6c)将训练好的U-net网络的第2层至第9层的权重迁移到形状约束的多尺度网络中第二分支的第2层至第9层中，且在训练过程中保持不变；利用混合损失函数，计算形状约束的多尺度网络的损失值；根据形状约束的多尺度网络的损失值，使用初始学习率为0.0001的Adam优化器对形状约束的多尺度网络第一分支的权重和偏置进行迭代更新，直到形状约束的多尺度网络的损失值接近于0时，得到训练好的形状约束的多尺度网络；

(7)对MRI图像中胰腺区域进行分割：

将待分割的MRI图像输入到训练好的形状约束的多尺度网络中，对输入的MRI图像中胰腺组织轮廓进行自动定位。