[发明专利]一种基于多序列磁共振影像的颈动脉不稳定斑块分割方法

说明书

本发明公开了一种基于多序列磁共振影像的颈动脉不稳定斑块分割方法，包括：(1)获取颈部多序列磁共振图像；(2)将多序列磁共振图像进行配准，得到三维配准图像；(3)将配准图像输入至已构建的U‑net神经网络模型中，得到对应颈部的斑块分割图像；构建U‑net神经网络模型时，根据多序列数对U‑net神经网络模型的通道参数进行修改；以已知配准图像为输入，以对应的斑块掩码图像为结果，构建所述U‑net神经网络模型。本发明通过神经网络模型学习从多序列磁共振图像中自动预测不稳定斑块位置的方法，从而对新的颈部磁共振图像样本进行预测，判断是否存在不稳定斑块并给出具体位置，作为医生诊断的参考，提高医生诊断的效率。

技术领域

本发明属于图像自动识别技术领域，具体是涉及一种基于多序列磁共振影像的颈动脉不稳定斑块分割方法。

背景技术

众所周知，颈动脉粥样硬化斑块脱落可形成栓子，阻塞颅内动脉，造成远端脑组织缺血导致脑梗死发生。高分辨磁共振成像(HR-MRI)已被证明为一种检测动脉粥样硬化易损斑块的有效工具。高分辨率磁共振成像可清晰地显示斑块的外部形态特征、内部结构成分和位置分布信息。HR-MRI除传统的T1加权成像(T1WI)、T2加权成像(T2WI)和质子密(PDWI)外，还包括了黑血序列和亮血序列，时间飞跃序列(TOF-MRA)。

核磁共振成像是目前唯一能够清晰显示全身动脉粥样硬化斑块的无创性成像技术。但是由于三维高分辨磁共振血管壁成像的数量巨大，每个检测者的图像可达到500幅，即使有经验的专业医生，也需要花费较长的时间来完成检查者的诊断，导致工作效率低下。

为了实现快速的智能斑块图像分割，研究者开始开发基于自动识别的分割方法：

公开号为CN109932720A的专利文献公开了一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法，包括：步骤S1，获取用户的血管壁磁共振图像；步骤S2，对血管壁磁共振图像进行预处理，得到预处理图像；步骤S3，通过预先训练的卷积神经网络模型对该预处理图像中预设的斑块区域进行分割；步骤S4，输出与所述血管壁磁共振图像相对应的斑块组织区域分割图像。该方法在卷积神经网络模型构建时，以整个三维图像磁共振图像作为输入，需要大量的训练集数据。

公开号为CN111598891A的专利文献为了克服上述问题，采用U卷积网络(U-Net)，在图像数据量很小的情况下，亦具有很好的分割效果。

但是现有技术均是采用单一系列的磁共振图像进行模型训练，得到的神经网络模型精度仍然不够理想。

发明内容

本发明提供了一种基于多序列磁共振影像的颈动脉不稳定斑块分割方法，该方法基于多序列磁共振影像，构建多个神经网络模型，然后再将分割结果进行融合，大大提高了分割精度和鲁棒性。

一种基于多序列磁共振影像的颈动脉不稳定斑块分割方法，其包括如下步骤：

(1)获取颈部多序列磁共振图像；

(2)将多序列磁共振图像进行配准，得到配准图像；

(3)将配准图像输入至已构建的U-net神经网络模型中，得到对应颈部的斑块分割图像；

构建U-net神经网络模型时，根据多序列数对U-net神经网络模型的通道参数进行修改(比如，当序列数为N时，将U-net的input_channel参数改成N，其余不变)；以已知配准图像为输入，以对应的斑块掩码图像为结果，构建所述U-net神经网络模型。

作为优选，构建的U-net神经网络模型时：

(i)首先采集颈部多序列磁共振图像；

(ii)对多序列磁共振图像进行配准，得到三维配准图像；

(iii)标注配准图像中颈动脉不稳定斑块区域，得到斑块掩码图像；