[发明专利]一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构的方法

权利要求书

1.一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构的方法，其特征在于，该方法包括以下具体步骤：

步骤1：采集原始T1W和QSM磁共振影像数据、医生基于T1W和QSM图像手工标记脑深部灰质结构区域，构成完整的数据集；

步骤2：在完整数据集中利用T1W脑部影像的解剖结构，提取整个大脑的结构特征，组成T1W影像的结构特征向量；

步骤3：对所有T1W影像的结构特征向量进行无监督聚类，通过迭代把结构特征向量划分为若干类别，使得聚类结果对应的损失函数最小；挑选每组聚类中最接近聚类中心点的结构特征向量所对应的影像作为该类的代表性T1W影像，所有的代表性T1W影像和对应的医生手工标记的脑深部灰质结构区域组成个性化图集；

步骤4：将个性化图集中每组聚类的代表性T1W影像和医生标记区域与该组内其他T1W影像进行配准，得到初步的分割结果，与原始T1W和QSM磁共振数据一起构成用于深度学习的训练数据集；

步骤5：构建基于多种注意力机制的深度学习分割网络模型；

步骤6：将步骤4得到的训练数据输入到构建的分割网络模型中进行学习，得到最终的分割结果。

2.根据权利要求1所述的一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构的方法，其特征在于，步骤1所述采集原始T1W和QSM磁共振影像数据，包括：使用磁共振设备对待测者进行脑部扫描，采集脑部磁共振数据包括T1W和QSM模态，并对T1W和QSM模态数据进行图像分辨率归一化处理；所述医生手工标记脑深部灰质结构区域，具体是：医生手工对磁共振影像上脑深部灰质中的尾状核、壳核、苍白球、黑质、红核和齿状核区域进行勾画；磁共振数据和医生标记区域构成完整的数据集。

3.根据权利要求1所述的一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构的方法，其特征在于，步骤2所述提取整个大脑的结构特征，具体包括：利用Freesurfer软件提取T1W脑部磁共振影像的头壳轮廓，提取头壳轮廓的表面积与体积比、球形度和球形比例形状特征，组成每例T1W磁共振影像的结构特征向量。

4.根据权利要求1所述的一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构的方法，其特征在于，步骤3所述无监督聚类，利用K-means算法进行；所述损失函数定义为各个结构特征向量距离所属类别中心点的误差平方和。

5.根据权利要求1所述的一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构的方法，其特征在于，步骤4所述组内其他影像是指完整数据集中除个性化图集中的图像之外的图像。

6.根据权利要求1所述的一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构的方法，其特征在于，所述步骤5，具体为：构建基于多种注意力机制的深度学习分割网络模型，所述分割网络模型包括分割分支和解剖学分支；分割分支以U-net作为骨干网络模型，其输入为T1W和QSM两种模态数据，包含编码和解码阶段，并且使用跳跃连接，将编码阶段的特征与解码阶段的特征相拼接，分割分支同时使用空间注意力机制和通道注意力机制将脑深部灰质结构区域的特征高量并抑制无关背景区域；解剖学分支的输入为配准后的初步分割结果，通过解剖学注意力模块将从初步的分割学习得到的脑深部灰质结构的先验知识引导分割分支进行精确的多尺度脑深部灰质结构分割；网络模型输出阶段，尺度注意力机制将整合不同尺度的特征，从而得到最终的分割概率图。

7.根据权利要求1所述的一种深度学习结合个性化图集基于T1W和QSM自动分割脑深部灰质结构的方法，其特征在于，所述步骤6，具体包括：首先对训练集数据进行数据的分辨率统一及灰度值的标准化，并且使用限制对比度自适应直方图均衡化算法增强图像对比度；将训练数据输入到构建的分割网络模型，训练网络模型的过程中，为了防止网络模型过拟合，对输入数据进行在线的数据扩增，采用随机旋转、拉伸、平移、翻转、gamma变换、仿射和弹性变换方式；训练结束，得到最终的分割结果。