[發明專利]基于三維全卷積神經網絡的MRI皮質下分區系統

在審

• 申請號: 201710620454.2
• 申請日: 2017-07-26
• 公開（公告）號: CN107909588A
• 公開（公告）日: 2018-04-13
• 發明（設計）人: 毛奎彬;陳衛單;陳勇強
• 申請（專利權）人: 廣州慧揚健康科技有限公司
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T5/50;G06T17/30;G06N3/08;G06N3/04
• 代理公司: 深圳市合道英聯專利事務所(普通合伙)44309
• 代理人: 廉紅果

技術領域

本發明涉及醫療技術領域，特別是指一種基于三維全卷積神經網絡的MRI 皮質下分區系統。

背景技術

對大腦皮質下結構的準確分區，對于許多神經系統疾病的研究有重要意義。比如帕金森病的病變部位可能發生在皮質下的黑質，而尾狀核、伏核和豆狀核的病變可能與自閉癥的發生有關。紋狀體等皮質下結構，可以通過MRI檢查獲取三維結構，而這些皮質下結構的準確分區仍然不容易準確做到。目前對皮質下結構的分區主要依賴于臨床醫生人工區分，而人工進行區分存在不少局限性，比如費時費力、準確性有限、容易受到主觀經驗的影響。

此前卷積神經網絡(CNN)已有先例應用于醫學影像的識別，然而此前CNN 主要應用于對二維圖像的識別，所使用的濾波器(卷積核)都是二維的。二維 CNN相較于三維CNN，其最大的優勢在于運算量較小，對運算能力和存儲能力的要求不高，但是目前醫學檢驗技術領域中存在大量三維醫學影像(如CT、 MRI)，而單純使用二維CNN則拋棄了垂直方向上的重要信息，對識別精度造成一定影響。使用三維CNN雖然運算量大，但是能夠很好地保存垂直方向上的信息。

因此，有必要設計一種新的基于三維全卷積神經網絡的MRI皮質下分區系統，以解決上述技術問題。

發明內容

針對背景技術中存在的問題，本發明的目的是提供一種基于三維全卷積神經網絡的MRI皮質下分區系統，使用三維全卷積神經網絡，通過對大量經過標記的頭部MRI影像進行訓練，并且對新導入的MRI影像完成分區，從而提高皮質下分區的準確性與效率。

本發明的技術方案是這樣實現的：一種基于三維全卷積神經網絡的MRI皮質下分區系統，包括訓練模塊、卷積前處理模塊、FCNN模塊以及卷積后處理模塊，所述訓練模塊和卷積前處理模塊均與FCNN模塊連接，FCNN模塊與卷積后處理模塊連接，其中，所述訓練模塊使用反向傳播算法計算，對輸入的訓練集進行訓練，訓練的圖像首先經過正向傳播途徑，經過激活函數運算得到一個值，再由這個值進行鏈式求導求得上一層的權重，經過多層的迭代，鏈式求導得到各層的權重，使用訓練集完成訓練之后，得到一系列適用于大腦皮質下分區的權重至FCNN模塊；所述卷積前處理模塊：包含灰度均一化模塊、非均勻場校正模塊以及顱骨去除模塊，用于對圖像進行對應的灰度均一化、非均勻場校正以及顱骨剝離預處理；所述FCNN模塊：用于對預處理后的圖像行識別，經過9 層卷積層、3層全連接層以及最后的分類層后，得到九張密度分布圖；所述卷積后處理模塊：用于對九張密度圖中隔離小分區的處理并對九張密度圖進行融合，得到的一張效果圖。

在上述技術方案中，所述在訓練模塊進行訓練之前，需要預設定各層的權重，對預設定的權重進行計算，方法是對于每一層的權重，n_l代表該層對于各個單位的連接數，而在該層的權重則設定為符合方差為的高斯分布的一系列值。

在上述技術方案中，所述訓練模塊在訓練之前，需要設定多個參數，包括每次訓練的圖像數量、迭代次數、整個訓練集進行訓練的次數、學習動量、初始學習率，根據設定的參數，訓練模塊對輸入的訓練集進行訓練。

在上述技術方案中，所述灰度均一化模塊用于對圖像像素亮度分布不平衡的處理，使像素的灰度值分布在0-255之間。

在上述技術方案中，所述非均勻場校正模塊使用曲面擬合方法，對圖片的像素點進行分類，然后提取圖像中所有像素點中反映非均勻場變化趨勢的像素點，求得非均勻場曲面擬合的參數，然后利用這些像素點對整個曲面進行擬合，從而完成校正。

在上述技術方案中，所述顱骨去除模塊利用邊緣檢測算子檢測顱骨邊緣，并利用邊緣連接算子連接邊緣實現自動分割，去除圖像中的顱骨，降低圖像大小和計算量。

本發明基于三維全卷積神經網絡的MRI皮質下分區系統，包括訓練模塊、卷積前處理模塊、FCNN模塊以及卷積后處理模塊，所述訓練模塊和卷積前處理模塊均與FCNN模塊連接，FCNN模塊與卷積后處理模塊連接，訓練模塊用于對輸入的訓練集進行訓練，卷積前處理模塊用于對圖像進行灰度均一化、非均勻場校正以及顱骨剝離的預處理，完成卷積前處理后送入FCNN模塊中進行識別，經過9層卷積層、3層全連接層以及最后的分類層后，得到九張密度分布圖，經過卷積后處理模塊的卷積后處理，完成對九張密度分布圖隔離小分區的處理，并對九張密度分布圖進行融合，得到的一張效果圖，從而提高皮質下分區的準確性與效率。

附圖說明

圖1為本發明結構框圖；

圖2為本發明FCNN結構圖；

圖3為本發明具體實例效果圖。