[发明专利]基于迁移学习图像增强的低场强MR胃部分割方法

说明书

本发明公开了基于迁移学习图像增强的低场强MR胃部分割方法，主要解决低场强3DMR影像噪声大、伪影多、影像数据较少的问题。其方案包括：获取高、低场强3DMR胃部影像数据集以及相应的标签数据集，并对影像数据进行预处理；将预处理后的数据输入循环生成式对抗网络中，获得增强后的伪低场强3DMR胃部影像集；构建并训练3D Res3‑U‑net分割网络；再将伪低场强3DMR胃部影像集输入分割网络，完成分割网络参数的微调，形成迁移学习后的3D Res3‑U‑net分割网络，将测试数据输入该网络得到分割结果。本发明实现了低场强3DMR胃部影像的分割，有效提高了图像分割精度。

技术领域

本发明属于医学图像处理技术领域，进一步涉及图像分割技术，具体为一种基于迁移学习图像增强的低场强MR胃部影像分割方法，可用于在低场强3DMR影像中对胃部区域进行精确分割。

背景技术

目前，胃癌发病率率仅次于肺癌，死亡率排第三位。全球每年新发胃癌病例约120万，中国约占其中的40％。我国早期胃癌发现率低，仅约20％，大多数发现时已到进展期，总体5年生存率不足50％。因此对胃部疾病的诊断研究受到广泛关注，更加准确、高效的医疗诊断成为一种迫切的需要。

依据《中国胃部诊疗规范》相关文献，影像检查在胃癌诊疗规范中起到指导作用。随着计算机技术和医学技术的迅速发展，影像引导放射治疗技术也取得了巨大突破，并在临床应用中被广泛使用。影像引导放射治疗是在患者进行治疗前、治疗中利用各种影像设备，对肿瘤及正常器官进行监控，并根据器官位置的变化调整治疗位置、治疗条件，使照射视野紧紧“追随”靶区，做到真正的精确治疗。影像引导放疗系统主要采用MV级锥形束CT、三维超声图像和核磁图像引导。核磁共振引导系统有高于CT数倍的软组织分辨能力，而且不会产生损伤人体的电离辐射。

目前，核磁共振引导系统中，主要采用低场强磁共振设备，该设备产生影像磁场强度小于0.5T，具有更大的扫描空间，而且不需要安装通风管，可以根据需要移动治疗床，适合辅助医生进行放化疗。但低场强磁共振扫描和成像速度较慢，容易因体内器官的运动造成伪影，而且成像中含有大量噪声，严重影响了图像引导放射治疗手术。低场强MR分割技术在医学图像分析中占有重要地位，其发展影响到医学图像处理中的其他相关技术发展，比如影像可视化和三维重建等。低场强MR胃部分割是决定低场强MR影像在胃癌精准治疗中能否提供可靠依据的关键。

医学图像分割方法主要分为两大类：基于传统算法的医学图像分割和基于深度学习的医学图像分割。基于传统算法的医学图像分割方法主要有基于阈值、区域生长、边缘检测、活动轮廓和水平集的分割方法等。然而，由于低场强磁共振扫描和成像速度较慢，容易因体内器官的运动造成伪影，且在成像中含有大量噪声，因此，传统医学图像分割方法不能满足图像引导手术对图像配准精度和速度的要求。随着深度学习算法发展，深度学习以其强大的特征提取和抽象表示能力，逐渐代替了手工提取特征的方法，在图像分割的任务上取得了巨大突破。然而，低场强MR影像存在噪声大、伪影多、影像数据较少的问题，且在使用3D深度学习网络进行分割时会出现过拟合的情况，因此迫切需要准确可靠、具有泛化能力的分割方法以确保图像分割的精度，从而满足实际应用的要求。

发明内容

本发明目的在于针对目前已有分割技术的不足，提出一种基于迁移学习图像增强的低场强MR胃部影像分割方法，以实现低场强3DMR胃部影像的分割，提高图像分割精度。

本发明的思路是：将高、低场强磁共振图像作为输入数据，通过使用循环生成对抗网络CycleGAN生成具有高、低场强磁共振图像之间映射关系的图像，获得图像增强后的伪低场强3DMR胃部影像集，使用部分低场强3DMR胃部影像训练生成3D Res3-U-net分割网络；再将伪低场强3DMR胃部影像集输入该分割网络，完成分割网络参数微调，形成迁移学习后的3D Res3-U-net分割网络，。最终提高低场强3DMR胃部影像测试集分割效果。本发明采用的3DMR胃部分割网络具有一定泛化能力，在低场强MR胃部分割任务中取得较为理想的分割效果，进而为临床应用提供了可靠依据。

为实现上述目的，本发明的技术方案包括：