[发明专利]基于深度学习的TB级脑神经纤维数据消减方法及系统

权利要求书

1.一种基于深度学习的TB级稀疏性全脑神经纤维数据消减方法，其特征在于，包括以下步骤：

S1：基于同一脑组织获得的一系列脑切片图像，以任意一张脑切片图像的长度方向为X轴方向，宽度方向为Y轴方向，脑切片图像所在平面的法线方向为Z轴方向，建立笛卡尔空间直角坐标系，该直角坐标系的原点为最上层或最下层脑切片图像的左上角顶点；然后按预先设定的单位层数划分单元，对这些脑切片图像进行划分；将划分后属于同一单元的多个脑切片图像进行最大值投影得到二维平面投影图，接着，按照预先设定的单位长度以及预先设定的单位宽度对每个二维平面投影图进行裁剪得到多个待测图像，并以每个待测图像的左上角顶点作为该待测图像的图像原点，由此建立测试数据集，其中每个待测图像的长度及宽度均满足预先设定要求，并且将每个待测图像的图像原点在所述直角坐标系下的三维空间坐标作为各个待测图像在该直角坐标系下的空间位置信息；

S2：建立分割模型，并对该分割模型进行训练，得到训练好的深度学习分割模型；该分割模型能够用于对测试集中每个待测图像上每个像素点是否属于神经纤维进行分类分割；

S3：利用步骤S2得到的所述深度学习分割模型对步骤S1得到的测试数据集中的每个待测图像进行处理，得到与每个待测图像相对应的神经纤维分布信息；

S4：利用形态学操作对步骤S3得到的神经纤维分布信息进行优化处理，使基于神经纤维分布信息得到的空间三维维度下的神经纤维轮廓图中与神经纤维所在区域相对应的最大连通域得以优化；基于优化得到最大连通域，从步骤S1得到的所有待测图像中选取出与所述最大连通域相对应的若干待测图像，以进一步构建三维神经纤维图像，该三维神经纤维图像即对应着TB级稀疏性全脑神经纤维数据消减结果。

2.如权利要求1所述消减方法，其特征在于，所述步骤S1中，所述按预先设定的单位层数具体为200层；所述预先设定的单位长度为256像素，所述预先设定的单位宽度为256像素，每个待测图像的长度均为256像素、宽度均为256像素。

3.如权利要求1所述消减方法，其特征在于，所述步骤S2中，所述分割模型具体为VoxResnet分割模型， 包括25个卷积层、6个残差模块和4个反卷积层；对所述分割模型进行训练，具体是采用Diceloss、Crossentropy的混合损失函数。

4.如权利要求1所述消减方法，其特征在于，所述步骤S3具体包括以下子步骤：

S31：利用步骤S2得到的所述深度学习分割模型对步骤S1得到的测试数据集中的每个待测图像进行分类分割处理，使每个待测图像得到与之相对应的神经纤维二值化图像；对于任意一个神经纤维二值化图像，若某个像素点对应神经纤维，则将该像素点的值记为预先设定的A值；若某个像素点不对应神经纤维，则将该像素点的值记为预先设定的B值；

S32：对步骤S1得到的每个神经纤维二值化图像进行神经纤维长度提取处理，具体的，对于任意一个神经纤维二值化图像，将其中值为A的像素点总个数记为该神经纤维二值化图像的神经纤维长度信息；

S33：基于每个待测图像在所述空间直角坐标系下的空间位置信息和相应神经纤维二值化图像的神经纤维长度信息，即可得到与每个待测图像相对应的神经纤维分布信息；

所述步骤S33中，所述神经纤维分布信息是以神经纤维分布表的形式存储的，该神经纤维分布表是以每个待测图像的空间位置信息作为索引，以相应神经纤维二值化图像的神经纤维长度信息作为值构成的。