[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

说明书

本发明公开了一种基于形状约束的多尺度网络MRI胰腺轮廓定位方法，主要解决现有技术在MRI图像对比度低和样本不均衡情况下对胰腺图像分割困难的问题。本发明的技术方案为：(1)生成训练集和标注集；(2)预训练U‑net网络；(3)构建多尺度网络；(4)训练形状约束网络；(5)构建形状约束的多尺度网络；(6)训练形状约束的多尺度网络；(7)对MRI图像中胰腺区域进行分割。本发明方法利用了胰腺图像的形状信息，并结合边界和区域信息进行图像分割，可以较好的定位MRI图像中胰腺区域，具有分割精度高的优点，可用于对人体腹部MRI图像中胰腺组织轮廓进行自动定位分割。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分割技术领域的一种基于形状约束的多尺度网络核磁共振成像MRI(Magnetic Resonance Imaging)胰腺轮廓定位方法。本发明可用于对人体腹部MRI图像中胰腺组织轮廓进行自动定位分割。

背景技术

目前，MRI图像中胰腺自动分割技术主要是基于多器官图谱的分割算法、基于形状模型的分割算法和基于神经网络的分割算法实现的。基于多器官图谱的算法使用多个腹部器官的图谱，采用图像配准进行图像对齐，依靠以前生成的地图集来预测胰腺的边界。基于形状模型的算法通过给出胰腺的形状或大小的指示，更新位于该形状内的像素的胰腺标记概率来实现分割。基于神经网络的算法主要采用卷积神经网络和深度学习，对大量的训练数据进行特征提取和特征学习，利用训练出的模型来定位图像中的胰腺轮廓。基于神经网络的方法是较常用的算法，相较于其他两种算法，它产生了最好的性能，但需要相当长的训练时间和相当大的数据集。由于人体软组织在MRI图像中上呈现出灰度相似性高、成像边缘模糊的特点，加大了MRI图像分割难度。由于在人体腹部中胰腺较之其他器官体积较小，与其周围组织紧密黏连，而且胰腺的形状大小以及在不同的患者腹部中位置千差万别，更进一步增加了MRI图像中胰腺轮廓定位的难度。

Jinzheng Cai等人在其发表的论文“Pancreas Segmentation in MRI UsingGraph-Based Decision Fusion on Convolutional Neural Networks”(Medical ImageComputing and Computer-Assisted Intervention,2017,674-82)中公开了一种基于图的卷积神经网络决策融合算法的MRI胰腺图像分割方法。该方法的主要实现步骤是：首先构造两种卷积神经网络模型(CNN)分别用来进行胰腺检测和边界分割；然后将这两个CNN网络的检测结果融合在一起，作为条件随机场(CRF)框架的初始化，以获得最终的分割输出。该方法存在的不足之处是，所构造的两种卷积神经网络模型(CNN)仅各自用于胰腺检测和边界分割，在网络的训练过程中没有考虑待分割的MRI胰腺图像的局部特征，分割结果往往存在不连续性，容易将MRI图像中的胰腺区域划分为其他区域，影响MRI图像中的胰腺区域的分割准确率。

浙江大学山东工业技术研究院在其申请的专利文献“一种基于多步学习的三维核磁共振胰腺图像分割方法”(申请号CN201811399318.6，公开号CN109636806A)中提出了一种基于多步学习的三维核磁共振胰腺图像分割方法。该方法的主要实现步骤是：步骤1，归一化预处理三维核磁共振图像；步骤2，随机将预处理后的图像分为训练集、验证集和测试集；步骤3，利用分割标注将训练集中包含胰腺的块和对应的标注切出备用；步骤4，压缩原始图像训练一个Q-net模型计算胰腺大致位置；步骤5，使用步骤3中的配对数据预训练另一个P-net模型；步骤6，使用预训练的Q-net产生胰腺的3D位置预测图，选取概率高的图块，映射回原图，分块输入预训练的P-net中合并训练预测胰腺位置；步骤7，使用训练好的分割模型在测试集上进行预测检测效果。该方法存在的不足之处是，压缩原始图像训练一个Q-net模型计算胰腺大致位置时，训练的模型对MRI图像所具有的颜色纹理信息比较敏感，忽略了MRI图像中胰腺的形状信息，导致图像的分割结果没有准确地描绘出MRI图像中胰腺区域的边缘。

发明内容