[发明专利]基于3D卷积神经网络分割多模态MR脑部图像方法

说明书

本发明公开了一种基于3D卷积神经网络分割多模态MR脑部图像的方法，包括：获取多模态MR脑部图像数据；对获取的原始MR脑部图像数据进行预处理，得到预处理后的图像；将预处理后的图像训练3D卷积神经网络模型，提取脑部皮下组织的特征数据，3D卷积神经网络模型包括残差网络模块和空洞空间卷积池化金字塔模块；优化3D卷积神经网络模型的参数；使用训练好的3D卷积神经网络模型对测试集数据进行测试，得到MR脑部图像数据的分割结果；将分割结果进行分析和可视化，得到三维脑皮下组织图。该方法通过将残差模块和空洞空间卷积池化金字塔模块引入卷积神经网络，解决了训练费时费力，模型退化的问题，并且还提高了分割的准确性。

技术领域

本发明涉及图像分割技术领域，具体涉及一种基于3D卷积神经网络分割多模态MR脑部图像方法、系统、终端及介质。

背景技术

大脑是人体的神经中枢，控制着人的思维和情感，包含很多复杂的解剖结构，其中深层脑结构包括海马体、壳核、尾状核等等，他们的结构变化与很多脑部疾病密切相关，脑结构的体积萎缩是很多脑疾病诊断和治疗评估中常用的生物标志物之一。磁共振成像(Magnetic Resonance Image,MRI)可以对脑和神经系统等软组织进行高分辨率成像，是大脑结构分析的有效临床方法。脑磁共振成像的精确分割和定量分析，可用于脑组织和脑结构的体积测量，辅助医生对疾病进行判断及治疗。其次，还可以辅助医生进行后续的医疗、手术规划及治疗效果追踪等。然而，手动分割MR脑部图像的方法耗时耗力，大量的影像数据在给医生提供准确详细的信息以供诊断的同时，也增加了医生的任务量和视觉疲劳。因此对MR脑部图像进行自动/半自动的处理与分析，进而进行计算机辅助诊断显得尤为重要。

近年来，MR脑部图像的自动分割受到越来越多的研究者关注。迄今为止，国内外关于脑结构的分割算法研究大致可以分为以下几个方面：

基于区域的方法：该类方法主要是通过区域标记，针对平行区域中生长的像素点进行细化，主要依赖属于同一区域的体素的不同性质的相似性。

基于多图谱融合的方法：该类方法的主要思想是利用图谱原图和目标图像的相关性和图谱标签中的先验信息将加权投票的结果或者重构误差作为分类的依据，从而判断目标像素的类别。

基于形变模型的方法：该方法的中心思想是根据脑结构的大小、形状、位置等先验信息，通过手动或自动生成的轮廓不断迭代变形得到最终的分割结果。其中脑结构分割软件FIRST使用的就是将主动外观模型AAM(Active appearance model)置于贝叶斯框架内，进而寻找到最合适分割的分布模型的方法。

近几年来研究最广泛的一种方法，基于学习的方法，也称为机器学习方法，其目标是在给定输入特征的条件下来预测分割标签。传统的机器学习分割MR脑部图像方法包括支持向量机(Support Vector Machines,SVM)和AdaBoost算法等。随着计算机硬件的提升，基于深度学习(深度卷积神经网络DCNNs)的分割MR脑部图像的方法逐渐成为了机器学习中的主流。

基于深度学习的医学图像分割最早的一次突破是在细胞膜分裂领域，Ciresan等人提出了不用手工提取特征，直接对中心图像块进行分类的卷积神经网络图像分割方法。之后，Kang等人提出了一种新的神经网络结构用于人群图像分割，这种结构被叫做全卷积神经网络(FCN)，可以直接分割整张图片，而不是选取有代表性的图像块进行分割，这种结构最大的优势就是可以实现图像端到端的分割。

一般情况下，都是使用灰度值作为神经网络的输入基本特征，随着网络层数的增加，可以提取到深层次的特征，以便于判别模型的分类，但是如此一来也忽略了一些浅层的原始特征，对于一些细节就无法有效的分割，而且过多的层数存在着参数量过大，训练费时费力和梯度消失的问题，但层数过少，浅层的特征也无法很好的实现分割任务。

发明内容