[发明专利]基于多模态影像的全卷积神经网络癫痫病灶分割方法

摘要

本发明公开了一种基于多模态影像的全卷积神经网络癫痫病灶分割方法，主要解决现有技术对癫痫影像中病灶难分割的问题。其实现方法是：将原始脑部MRI影像和PET影像调整到同一分辨率空间，并进行边缘裁剪；将裁剪后的MRI/PET影像划分为训练集和测试集；搭建全卷积神经网络Y‑Net；将训练集输入到Y‑Net网络中进行训练，并对训练好的Y‑Net网络中卷积层的卷积核参数进行存储；将存储的卷积核参数载入到已构建的Y‑Net网络，并输入测试集，得到癫痫病灶的自动分割结果。本发明具有易于分割，且分割精度高的优点，可用于分割脑部核磁共振影像MRI和正电子发射断层扫描影像PET中的癫痫病灶区域。

主权项

1.基于多模态影像的全卷积神经网络癫痫病灶分割方法，其特征在于，包括如下：(1)校正多模态影像分辨率，获取多模态影像训练样本集和测试样本集：将核磁共振影像MRI和正电子断层扫描影像PET变换到同一分辨率空间，依据影像生成时间、头骨外形轮廓对MRI影像与PET影像进行配对，得到脑部多模态影像配对数据集，变换分辨率公式如下：其中A为变换分辨率以后PET影像尺寸，b为MRI分辨率,B为MRI影像尺寸，a为PET影像分辨率；裁剪配对影像中的无效边缘部分，应用随机选择的方法按照7：3的比例划分为脑部MR/PET多模态影像训练样本集和测试样本集，并同时划分手动标签；(2)搭建多模态全卷积神经网络模型：设计一个四十层的多模态全卷积神经网络，其前三十五层网络成对分布，第三十六层进行特征融合，一直到第四十层输出分割结果，形成Y字形网络模型结构，并命名为Y‑Net网络；(3)将脑部多模态MRI/PET影像训练集和对应的手动标签输入到Y‑Net网络模型中进行训练，学习癫痫病灶的影像特征，得到卷积核参数和偏置参数，并存储；(4)将(3)得到的卷积核参数和偏置参数载入Y‑Net网络模型中，以设定各个网络层的参数，得到拟合好癫痫病灶的Y‑Net网络；(5)将测试数据集输入到拟合好癫痫病灶的Y‑Net网络中进行预测，得到脑部MRI/PET影像测试集的癫痫病灶分割结果，并显示。