[发明专利]一种脑部核磁共振图像分割方法及系统

权利要求书

1.一种脑部核磁共振图像分割方法，其特征在于，包括脑部核磁共振图像预处理、脑部核磁共振图像分割模型构建及优化、脑部核磁共振图像分割及结果输出；

所述方法具体包括以下步骤：

S1、对采集到的脑部核磁共振图像进行预处理，获得脑功能组织激活图像；

所述步骤S1具体包括以下步骤：

S11、对脑部核磁共振图像进行头动矫正；

S12、对脑部核磁共振图像进行空间对齐，将由功能像上提取的脑组织活动信息在高分辨率的结构像上显示出来；

S13、对脑部核磁共振图像进行时间矫正；

S14、依据成像扫描过程中记录的心跳、呼吸信号进行滤波处理；

S15、对脑样本进行空间标准化，以标准坐标系统描述脑各个功能组织的位置，以指定分辨率对图像进行重采样，并进行各向同性高斯平滑；

S16、利用反卷积计算和多重回归分析由脑部核磁共振图像生成脑功能组织激活图像，并记作其中X表示脑功能组织激活图，x_i表示脑功能激活图像中的第i个像素点，每个像素点包含四个维度的信息：在脑部的轴状、矢状和冠状三个方向的信号扫描值及信号采集时间，N为脑功能组织激活图像中包含的像素点数量；

S2、从步骤S1获得的脑功能组织激活图像中进行空间结构信息的抽取，构建脑部核磁共振图像的空间结构网络；

所述步骤S2具体包括以下步骤：

S21、遍历脑功能组织激活图像中的每个像素点，以各像素点为中心，通过固定尺寸的视域定义一系列局部图像块：对于任意像素点x_i，将以其为中心的局部图像块记作L_i；

S22、对于以任意两个像素点x_i和x_j为中心的局部图像块L_i和L_j，利用式(1)计算它们之间的空间结构相似度：

其中，SSim(L_i,L_j)为L_i和L_j之间的空间结构相似度，μ_L,i和μ_L,j分别为L_i和L_j中像素点分布的期望，σ_L,i和σ_L,j分别为L_i和L_j中像素点分布的标准差，C₁和C₂为用于调节空间结构相似度内部平衡的常数；

S23、通过式(2)计算像素点x_i和x_j之间的空间结构相似度：

式中，SSim(x_i,x_j)为x_i和x_j之间的空间结构相似度，Dis(x_i,x_j)为x_i和x_j之间的距离度量函数，可使用欧氏距离进行度量；

S24、以像素点间的空间结构相似度为元素，构建脑部核磁共振图像的空间相似性矩阵A＝[SSim(x_i,x_j)]_N×N；

S25、基于脑功能组织激活图像X及其空间相关性矩阵A构建脑部核磁共振图像的空间结构网络G(X,A)，用于记录脑部核磁共振图像中的像素信息以及像素之间的空间结构信息；

S3、在步骤S2的基础上，构建脑部核磁共振图像分割模型；

所述步骤S3中的脑部核磁共振图像分割模型的构建是利用图变分自编码器，所述构建的脑部核磁共振图像分割模型包括编码器、解码器和分割器，所述脑部核磁共振图像分割模型的构建具体包括以下步骤：

S31、编码器将脑部核磁共振图像空间结构网络G(X,A)编码为低维空间中的嵌入向量，其编码过程的形式化表示如式(3)所示：

其中，q(Z|X,A)表示编码器的概率密度函数，为编码后的嵌入向量构成的集合，z_i表示由像素点x_i编码得到的低维空间中的嵌入向量，由式(4)表示的分布中采样得到：

式中，μ_z,i和分别为嵌入向量z_i的期望和方差，并由两个结构相同的2层图卷积网络计算获得，即：

μ_z,i＝GCN_μ(x_i,A) (5)

logσ_z,i＝GCN_σ(x_i,A) (6)

其中，GCN_μ()和GCN_σ()分别表示计算嵌入向量分布的期望与方差的图卷积网络，它们具有相同的结构，由式(7)定义：

GCN(X,A)＝Gconv(ReLU(Gconv(A,X；W₀))；W₁) (7)

式中，Gconv()表示图卷积网络；W₀和W₁分别为第一层图卷积网络和第二层图卷积网络中的连接权重矩阵；ReLU()为激活函数，由式(8)定义：

S32、解码器将嵌入向量集合Z重构为网络关系即解码器定义如式(9)所示：

其中，σ()为狄拉克函数；

S33、分类器将脑功能组织激活图像中像素点对应的嵌入向量划分到相应功能组织类别当中，将分类器的类别划分结果记为C^*＝{C₁,C₂,…,C_K}，其中K为功能组织类别数量，该分类器由一个高斯混合模型构成，其形式化表示为π_k为功能组织类别C_k的先验分布概率，将各功能组织类别的先验分布概率构成的向量记作π＝[π₁,π₂,…,π_K]；为高斯混合模型中功能组织类别C_k对应的高斯分布分量，μ_k和分别为C_k对应的高斯分布分量的期望与方差；

S4、对步骤S3构建的脑部核磁共振图像分割模型进行迭代训练，获得模型的最优参数；

所述步骤S4具体包括以下步骤：

S41、基于S3构建的脑部核磁共振图像分割模型，构造脑功能组织激活图像的对数似然函数，如式(10)所示：

其中，logp(x_i)为脑功能组织激活图像中像素点x_i的对数似然函数；对于脑功能组织激活图像中的任意像素点x，利用Jensen不等式获得其对数似然函数logp(x)的证据下界如式(11)：

式中为像素点x对数似然函数的证据下界，z为x在低维空间中对应的嵌入向量，a为x在空间相似性矩阵A中对应的相似性向量，p(a,z,C_k)由式(12)计算

p(a,z,C_k)＝p(a|z)p(z|C_k)p(C_k) (12)

其中，p(a|z)由式(13)定义

式中，μ_A和分别为重构关系的期望和方差，由式(9)的解码器求得；

p(z|C_k)由式(14)定义

μ_k和分别由式(5)和式(6)计算；

p(C_k)由式(15)定义

p(C_k)＝Cat(C_k|π) (15)

式中，Cat(C_k|π)为功能组织类别分布函数；式(11)中q(z,C_k|x,a)为真实后验分布p(z,C_k|x,a)的变分后验近似值；

S42、通过使用蒙特卡洛随机梯度下降变分贝叶斯算子，将式(11)的证据下界变换为式(16)

式中M为蒙特卡洛随机梯度变分贝叶斯算子的采样数量，D为像素点x的维度，R为嵌入向量z的维度，x_d为像素点x的第d个分量，为μ_A的第m个采样中第d个分量，为的第r个分量，为的第r个分量，μ_z|_r为μ_z的第r个分量，μ_k|_r为μ_k的第r个分量；

S43、使用高斯分布初始化方式对步骤S3构建的脑部核磁共振图像分割模型进行初始化训练；给定迭代次数L，迭代执行步骤S44～S49，直到达到设定的迭代次数，完成对脑部核磁共振图像分割模型的训练，获得模型的最优参数；

S44、利用式(5)和式(6)计算脑部核磁共振图像的空间结构网络G(X,A)中每个像素点及其相似性向量在低维特征空间中对应的嵌入向量的期望和方差；

S45、由脑部核磁共振图像全部功能组织类别中随机选取一个功能组织类别，记作C_k，利用式(17)计算该次迭代中模型输出值：

S46、按式(18)从关于功能组织类别C_k的后验高斯分布中采样一个嵌入向量z_i；

S47、利用式(8)将低维特征空间中的嵌入向量重构为网络关系；

S48、利用式(16)计算像素点x的对数似然函数的证据下界

S49、利用梯度方法进行反向传播，对脑部核磁共振图像分割模型中的连接权重矩阵进行更新；

S5、对脑部核磁共振图像进行分割及结果输出；

所述步骤S5中具体包括以下过程：

S51、式(16)可变换为式(19)的形式：

式中，为嵌入向量的高斯先验分布，KL[p(C_k|z)||q(C_k|x,a)]为p(C_k|z)和q(C_k|x,a)之间的KL散度；由KL散度定义可知式(19)第二项取值为非负数，因此，证据下界取最大值时满足式(20)

KL[p(C_k|z)||q(C_k|x,a)]＝0 (20)

则脑部核磁共振图像分割的后验分布可由式(21)计算

S52、通过迭代执行步骤S44～S49的训练过程获得脑部核磁共振图像分割模型的最优参数后，利用式(21)获得脑部核磁共振图像分割结果，即脑功能组织激活图像中每个像素点被划分到各功能组织类别中的概率，在此基础上可通过设定阈值将软分割结果转化为硬分割结果；

S53、将脑部核磁共振图像分割结果送至相关医务人员或科研人员，从而用于核磁共振图像精细化分析、脑组织或病灶体积测量、脑部医学图像3D重构以及数据压缩和传输类相关任务。