[发明专利]基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法

权利要求书

1.基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法，其特征在于：利用核磁共振图像序列中的连续序列关系和不同肌肉、骨骼对象的不同尺度内容进行骨盆图像中密集肌肉、骨骼的自动分割，具体步骤如下：

步骤1，人工在数字化的核磁共振图像三维序列中手动标记多类肌肉骨骼结构区域；

步骤2，针对核磁共振图像三维数据进行采样，以连续的三张切面为一组，得到伪RGB三通道的二维图像数据，然后对二维图像数据进行标准化的图像预处理；

步骤3，基于序列关系和不同肌肉骨骼的图像内容的尺度差异构建肌肉骨骼对象自动分割模型；

步骤4，模型优化，采用自适应权重的交叉熵损失函数和DICE损失进行优化，其中，交叉熵损失的权重值由每一类的dice指标值的线性给定；

步骤5，对于新采集的数字化的核磁共振图像三维序列，进行采样得到伪RGB三通道的图像数据后送入到肌肉骨骼对象自动分割模型中，得到对应于三通道中心切面的骨骼肌肉位置预测结果，并按照采样顺序进行三维的融合，得到对应于核磁共振图像三维序列的预测结果；

步骤3中所述的自动分割模型包含编码器、解码器、尺度感知模块SCaM和序列感知模块SLiM；

所述的编码器用以提取核磁共振图像单一切面的高维特征；所述的解码器用于从深层语义特征中恢复空间信息所述的尺度感知模块SCaM通过不同大小感受野融合深层特征图中的不同尺度信息；所述的序列感知模块SLiM用于融合单一序列以及其上一序列和下一序列的深层特征。

2.如权利要求1所述的基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法，其特征在于：步骤2中采样得到的核磁共振图像三维数据为X∈R^H×W×S，得到的伪RGB三通道的二维图像数据为x∈R^H×W×3。

3.如权利要求2所述的基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法，其特征在于：所述的编码器共执行三次下采样操作用以提取核磁共振图像单一切面的高维特征，每次下采样操作包含两个步长为1、边缘填充为1、3×3卷积核的连续卷积，以及一个2×2卷积核的最大池化操作；每次卷积运算之后均有批标准化和ReLU激活函数；编码器执行的三次下采样操作的特征通道数分别被设置为c，2c和4c。

4.如权利要求3所述的基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法，其特征在于：所述的解码器共执行三次上采样操作，每次上采样操作包含一个2×2卷积核的反卷积操作和两个步长为1、边缘填充为1、3×3卷积核的连续卷积操作；其中，每个卷积后面是批标准化和ReLU激活函数；解码器三次上采样操作的特征通道数分别是4c，2c和c；在每次反卷积后，将编码器中与解码器对应位置的特征进行特征拼接。

5.如权利要求4所述的基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法，其特征在于：所述的序列感知模块SLiM用于融合某一序列x_i∈R^H×W×1及其上一序列x_i-1和下一序列x_i+1的深层特征张量，具体步骤为：

步骤S1.1，将步骤2得到的每个三通道二维图像x∈R^H×W×3分别送入编码器部分进行特征提取：采用2.5D的策略，即三通道二维图像x的每个通道单独进行特征提取，编码成一列三组特征张量V_ei，使用特征拼接来融合三组特征张量，获得融合后的特征张量V_en；

步骤S1.2，通过非线性映射方式得到的新的融合特征张量V_e，即执行两个连续的卷积，步长为1，填充为1、卷积核为3*3，每个卷积都跟着批标准化和ReLU函数操作，再将得到的新的融合特征张量V_e送入到尺度感知模块SCaM中，用于不同尺度类别的语义信息学习。