[发明专利]一种融合微分几何信息的脑分割方法

说明书

本发明公开了一种基于微分几何信息的脑分割方法。该方法包括：对脑组织图像和脑肿瘤多模态图像进行标准化处理；基于微分几何知识，引入雅克比行列式和Laplace算子强调图像的边缘信息；采用数据增强技术增加训练数量后，在神经网络模型框架下进行图像分割。本发明在IBSR2018数据集和BraTS2018数据集上完成训练，Dice系数均较高，证明基于微分几何信息的分割框架，能够在组织和肿瘤分割上表现出较好的性能。

技术领域

本发明涉及医学图像处理技术领域，更具体地，涉及一种融合微分几何信息的脑分割方法。

背景技术

脑功能成像一般选择核磁共振技术(MRI)，这是由于MRI医学图像对密度差较小的软组织具有高对比度及空间分辨率，从而被广泛应用到脑部疾病分析中。MRI主要特点是能够将软组织、解剖结构和病变形态清晰显示，对病灶进行多方位及多序列成像，为临床诊断提供丰富的信息，并且相对于其他医学影像，MRI具有对人体电离辐射损伤小且无创等特点。然而，实际的大脑影像当中，灰质和白质强度差别小、对比度不高、沟回较多、运动伪影、部分容积效应等，导致最后的分割结果不够精确。所以脑部MRI图像的精准分割对医学诊断的意义重大。

图像分割是医学图像处理的关键和常用技术，在临床和科研方面得到广泛应用：例如病变过程可视化、手术规划、病灶识别和三维定位等。所谓分割，是指将目标特征从影像背景中提取出来，以便后续的临床测量与分析。深度学习方法在医学图像分割领域具有至关重要的作用，依靠神经网络强大的算力在影像目标的预测和分割上取得良好效果。

近几年，国内外的医学图像分割领域的研究主要分为两大类：基于传统的分割方法和基于深度学习的方法。传统的分割方法主要基于图像的几何、灰度、纹理等进行判断。常见的表征是灰度，主要包括阈值、区域、边界、聚类等信息，通过对灰度值的分布、大小的计算，来对分割目标进行判断。例如基于阈值的方法基础是不同组织间的灰度值大小不同，通过灰度值的大小对比，就可判定目标区域。在实际应用中，由于不同组织间对比度低，图像上就表现为灰度值接近和纹理特征类似，这导致传统方法的分割结果不够精确。最近随着硬件进步，出现许多基于深度学习的框架，使得分割算法显著提高了运行速度和分割精度，主要有两种方法：1)利用卷积神经网络(Convolutional Neural Networks，CNN)提取分割所需的全局和局部特征；2)利用全卷积网络(Fully Convolutional Networks，FCN)对全尺寸图像进行像素级预测，对传统方法的定位性能进行迭代。根据深度学习的种类划分，可以划分为基于监督学习的分割与基于非监督学习的分割两大类方法。然而目前基于深度学习方法进行图像分割的技术方案，由于图像通常灰度不均匀、边缘不明显等，仍存在分割效果不佳的问题。

发明内容

本发明目的是克服现有技术缺陷，提供一种融合微分几何信息的脑分割方法，该方法包括：

步骤S1：对MR图像集进行标准化预处理，其中，所述MR图像集包括T1加权的脑部正常组织MR图像集或脑部肿瘤多模态MR图像集；

步骤S2：在MR图像集的预处理结果中引入雅克比行列式和Laplace算子，以通过微分几何处理强调图像边缘信息；

步骤S3：对经微分几何处理MR图像集进行数据增强，获得增强数据集；

步骤S4：利用所述增强的数据集训练神经网络模型，实现图像分割并将分割结果进行重建，进而输出对分割结果的预测。

与现有技术相比，本发明的优点在于，基于神经网络框架，提出一种引入微分几何信息的分割网络，充分利用图像的组织边缘信息，提升网络的分割精度。本发明构建的脑部组织和肿瘤分割网络可以达到更好的性能，帮助医生分析病情、减少误判，在疾病诊断和治疗中具有重大意义。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明