[发明专利]一种基于3D-Ghost网络的多模态MR图像分割方法及装置

权利要求书

1.一种基于3D－Ghost网络的多模态MR图像分割方法，其特征在于，包括：获取待分割的多个模态的MR图像及其对应的掩码图像，将掩码图像拆分为多个单通道掩码图像；

将所述多个模态的MR图像合成为多通道的三维图像，并将每个单通道掩码图像与其对应通道的三维图像进行分块，得到多个分块图像；从所述多个分块图像中筛选出非零掩码及其对应的图像，得到多通道MR图像；

将所述多通道MR图像，输入到训练完成的3D－Ghost网络中，得到待分割的多个模态的MR图像的分割结果。

2.根据权利要求1所述的基于3D－Ghost网络的多模态MR图像分割方法，其特征在于，所述3D－Ghost网络包括：多个3D－Ghost卷积模块和空间注意力模块，

所述多个3D－Ghost卷积模块，用于将输入的多通道MR图像进行强度归一化，或将归一化后的多通道MR图像编码为多维特征图；以及将多维特征图解码为多通道MR图像，并输出待分割的多个模态的MR图像的分割结果；

所述空间注意力模块分别与每个3D－Ghost卷积模块连接，并在3D－Ghost卷积模块解码过程中向其传递多维特征图的特征信息。

3.根据权利要求2所述的基于3D－Ghost网络的多模态MR图像分割方法，其特征在于，所述3D－Ghost网络包括3D－Ghost卷积模块和3D－Ghost反卷积模块，且所述3D－Ghost卷积模块和3D－Ghost反卷积模块构成U－Net网络，

所述3D－Ghost卷积模块，用于将输入的多通道MR图像进行强度归一化，或将归一化后的多通道MR图像编码为多维特征图；

所述3D－Ghost反卷积模块，用于将多维特征图解码为多通道MR图像。

4.根据权利要求3所述的基于3D－Ghost网络的多模态MR图像分割方法，其特征在于，所述空间注意力模块通过线性平衡和sigmoid激活函数，将3D－Ghost卷积模块编码过程中的特征信息传递给3D－Ghost反卷积模块。

5.根据权利要求1所述的基于3D－Ghost网络的多模态MR图像分割方法，其特征在于，所述训练完成的3D－Ghost网络通过如下步骤训练：

获取已分割好的多个MR数据，其中MR数据包括多模态MR图像及其对应的掩码图像；

根据多个MR数据构建训练数据集，利用训练数据集训练所述3D－Ghost网络，直至其损失函数值低于阈值且趋于稳定，得到训练完成的3D－Ghost网络。

6.根据权利要求5所述的基于3D－Ghost网络的多模态MR图像分割方法，其特征在于，所述损失函数通过如下步骤计算：

BCEDiceLoss＝α·BCELoss+β·DiceLoss，

其中，BCEDiceLoss表示损失函数，BCELoss表示二分类交叉熵损失函数，DiceLoss表示Dice相似系数，α、β为加权系数。

7.一种基于3D－Ghost网络的多模态MR图像分割装置，其特征在于，包括：

获取模块，用于获取待分割的多个模态的MR图像及其对应的掩码图像，将掩码图像拆分为多个单通道掩码图像；

筛选模块，用于将所述多个模态的MR图像合成为多通道的三维图像，并将每个单通道掩码图像与其对应通道的三维图像进行分块，得到多个分块图像；从所述多个分块图像中筛选出非零掩码及其对应的图像，得到多通道MR图像；

分割模块，用于将所述多通道MR图像，输入到训练完成的3D－Ghost网络中，得到待分割的多个模态的MR图像的分割结果。

8.根据权利要求7所述的基于3D－Ghost网络的多模态MR图像分割装置，其特征在于，所述筛选模块包括：

分块单元，用于将所述多个模态的MR图像合成为多通道的三维图像，并将每个单通道掩码图像与其对应通道的三维图像进行分块，得到多个分块图像；

筛选单元，用于从所述多个分块图像中筛选出非零掩码及其对应的图像，得到多通道MR图像。