[发明专利]磁共振图像分割系统及其分割方法

说明书

本发明提供一种磁共振图像分割系统及其分割方法。本发明通过引入多图谱配准机制和注意力机制实现对分割算法有效性和鲁棒性的提升；针对前述sTBI影像脑区分割存在的难点，以及其他分割方法存在的问题，提出了基于硬注意力和软注意力机制的深度学习分割框架；为了解决形变脑区难以定位和识别的问题，提出了硬注意力模块，利用基于深度学习的多图谱分割算法生成先验信息图，来提示分割模型关注的区域；进一步地，提出了软注意力模块，用于将深度学习模型的感受野扩大到全图，可以有效地提升该模型针对形变区域特征提取的鲁棒性。

技术领域

本发明涉及基于人工智能方法实现疾病诊断领域，具体地说，涉及一种磁共振图像分割系统及其分割方法，适用于重型颅脑创伤脑区的识别分割。

背景技术

颅脑创伤(traumatic brain injury,TBI)是外力作用在头颅及其内容物所导致的损伤。作为神经外科常见疾病，已成为当前儿童和中青年人群最主要的死亡原因之一，存活患者的长期残疾也十分常见。目前TBI按照病情严重程度大体分为轻型、中型和三个等级，其中针对TBI患者(severe TBI,sTBI)的救治仍是世界性难题。sTBI的形成一般由继发性与原发性颅脑创伤因素共同作用所致。通常此类患者会出现恶性颅内压升高以及继发性水肿等情况，严重影响患者的预后。并且，sTBI往往会造成长时间的意识障碍状态，时间长短和脑损伤严重程度有关，短则几分钟，长则可达数周甚至更长时间。sTBI不仅对伤者自身的身体和家庭及精神方面造成很大打击，还导致社会及国民经济沉重的负担。因此，如何实现针对sTBI患者的精准医学分析，制定有效的个体化康复治疗方案，指导医疗资源的合理分配，已成为现代神经康复的重要探索方向之一。

在对脑影像的图像处理与分析过程中，通过对大脑图像分割、标记(label)出特定的结果区域，可以对来自不同样本的相同区域进行比较及统计学分析，以获得其在该区域的共性和特异性。深度学习方法在医学图像分割领域得到了快速发展，当前主要采用FCN、U-Net、V-Net等卷积神经网络(CNN)模型。在近期，由Ronneberger等人提出的U-Net算法因其高效的分割性能，成为了目前的主流医学图像分割方法。U-Net模型基于CNN方法，其模型架构如“U”字形，并按照以下主要步骤构建分割模型：首先，对输入图像进行卷积操作，以生成不同层次的下采样层特征信息；随后，从最底层开始，对特征信息进行反卷积操作，并结合同一层次的下采样层特征信息，形成对应的上采样层特征信息。这样就可以直接打通相同维度的卷积层与反卷积层之间的连接，以帮助反卷积层更好的生成所需的概率图结果。U-Net模型往往应用于二维图像分割上，Miletari等人设计了V-Net模型，通过在U-Net模型中引入三维卷积核，可实现对三维图像的分割工作，并广泛运用于医学影像领域中。在脑影像分割领域，目前也主要使用基于U-Net的模型，并广泛运用于脑肿瘤病灶分割和脑区分割工作中。

由于sTBI患者的脑损伤区域和正常脑组织存在显著差异，对分割算法提出了更高的要求。现有的分割模型往往针对正常脑影像，无法有效实现对sTBI数据的精确分割。目前国内外研究中针对sTBI影像研究的分割算法有限，且主要针对病灶区域的分割。Ledig等人结合传统多图谱配准方法和EM(expectation-maximization)算法实现对sTBI影像的全脑脑区分割。由于传统算法的局限性原因，在实验部分存在被试样本分割失败的情况。

然而，目前研究的分割算法还未能实现对sTBI脑区的精确分割，并且存在因训练样本较少造成模型泛化性不足的问题。

发明内容

本发明的目的在于，提供一种磁共振图像分割系统及其分割方法，以解决目前人工智能分割算法因形变脑区难以定位和识别，导致对sTBI影像的脑区分割不能够取得较高的准确度，鲁棒性差；目前人工智能分割算法还未能实现对sTBI脑区的精确分割，并且存在因训练样本较少造成模型泛化性不足的技术问题。